當今計算機和網(wǎng)絡(luò)技術(shù)發(fā)展迅速,各種相關(guān)的科技應(yīng)用越來越多的滲透到廣大人民群眾生活的方方面面,安全快速的信息傳播極大地豐富人民群眾的業(yè)余生活。各種社交網(wǎng)絡(luò)和自媒體等成為人們獲取信息消遣娛樂的重要手段。但一些不良的信息也越發(fā)猖獗的傳播。藏獨分子利用互聯(lián)網(wǎng)信息傳播渠道豐富、方便快捷的優(yōu)勢在網(wǎng)絡(luò)上散步國家分裂的反動信息,影響社會穩(wěn)定,危害網(wǎng)絡(luò)空間安全。檢測圖片中的旗幟是本文的主要研究內(nèi)容,在查閱國內(nèi)外相關(guān)文獻和實驗室之前工作的基礎(chǔ)上,改進了之前進行藏獨旗幟檢測的相關(guān)算法,意在提高效率,提升表現(xiàn)。主要工作:1、重新構(gòu)建了一個藏獨旗幟的圖片數(shù)據(jù)集,其中包含有不同大小、部分遮擋、扭曲形變、不同光照條件下的旗幟;2、使用空洞卷積（Dilated Convolution）和深度方向可分離卷積（Depthwise Separable Convolution）改進了用于檢測的卷積神經(jīng)網(wǎng)絡(luò),同時沿用了之前的1x1卷積設(shè)計等要素;分析了不同的優(yōu)化算法的收斂效果與網(wǎng)絡(luò)的性能。3、利用選擇性檢索（Selective Search）進行圖片區(qū)域的提名,減少計算量以期提高性能,提出一種基于NMS的改進的區(qū)域融合方法進行... 

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究狀況
    1.3 本文組織結(jié)構(gòu)
    1.4 本章小結(jié)
第二章 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)研究
        2.1.1 基本結(jié)構(gòu)分析
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)的特點
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的主要組件
        2.2.1 卷積層
        2.2.2 激活函數(shù)
        2.2.3 池化層
        2.2.4 網(wǎng)絡(luò)輸出
        2.2.5 損失函數(shù)和代價函數(shù)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)正則化
    2.4 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化器
    2.5 Keras深度學習框架以及CUDA和cuDNN
    2.6 本章小結(jié)
第三章 改進的網(wǎng)絡(luò)模型設(shè)計
    3.1 藏獨旗幟檢測
        3.1.1 問題描述
        3.1.2 識別目標分析
        3.1.3 識別模型難點分析
    3.2 構(gòu)建藏獨旗幟數(shù)據(jù)集與交叉驗證劃分
        3.2.1 旗幟數(shù)據(jù)集構(gòu)建
        3.2.2 交叉驗證劃分
    3.3 模型評估方法
        3.3.1 混淆矩陣
        3.3.2 ROC曲線與AUC值
    3.4 改進的卷積神經(jīng)網(wǎng)絡(luò)模型設(shè)計
        3.4.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 激活函數(shù)設(shè)計
        3.4.3 深度方向可分離卷積與空洞卷積
        3.4.4 損失函數(shù)和1×1卷積設(shè)計
        3.4.5 正則化設(shè)計
    3.5 實驗結(jié)果與對比分析
        3.5.1 特征圖可視化
        3.5.2 模型評估與結(jié)果對比分析
    3.6 本章小結(jié)
第四章 藏獨旗幟檢測算法設(shè)計及對比實驗
    4.1 區(qū)域提名
    4.2 基于選擇性檢索藏獨旗幟檢測模型
    4.3 基于區(qū)域評分、區(qū)域重疊率的區(qū)域融合方法
    4.4 不同優(yōu)化器的實驗結(jié)果對比分析
        4.4.1 實驗環(huán)境配置
        4.4.2 實驗結(jié)果分析
    4.5 與歷史方法對比分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來工作
參考文獻
在學期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于棧式自動編碼的圖像哈希算法[J]. 張春雨,韓立新,徐守晶.  電子測量技術(shù). 2016(03)
[2]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[3]深度學習研究進展[J]. 郭麗麗,丁世飛.  計算機科學. 2015(05)
[4]聯(lián)機手寫數(shù)學公式中字符識別的研究與實現(xiàn)[J]. 張迎.  電腦編程技巧與維護. 2013(02)
[5]被動聲納目標識別系統(tǒng)設(shè)計研究[J]. 陳敬軍,傅寅鋒.  聲學技術(shù). 2012(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的藏獨旗幟檢測算法研究[D]. 郝琨.蘭州大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測方法研究[D]. 劉鍵.哈爾濱工業(yè)大學 2017
[3]基于TensorFlow的卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D]. 姜新猛.華中師范大學 2017
[4]基于分層深度學習的行人分類方法研究[D]. 丁文秀.合肥工業(yè)大學 2015



本文編號：3732430