發(fā)布時間：2020-08-09 21:00

【摘要】：在人員密集的地方,安檢系統(tǒng)對于保證人們安全具有重要作用。目前大多安檢系統(tǒng)已經(jīng)實現(xiàn)智能化,但隨著恐怖分子作案手段的升級出現(xiàn)了諸多異型危險品,現(xiàn)有的危險品知識先驗?zāi)Ｐ蜔o法有效覆蓋,需通過擴充后數(shù)據(jù)集重新訓練檢測模型實現(xiàn)異型危險品的識別。但是,重新訓練模型方法會造成模型訓練效率低及訓練時間隨數(shù)據(jù)擴充而增加的問題。針對該問題,本文研究了一種能充分利用原模型并提高訓練效率的增量學習目標檢測算法。本文基于傳統(tǒng)目標檢測算法基本原理,在Fast rcnn網(wǎng)絡(luò)基礎(chǔ)上,為了避免訓練過程中梯度消失,研究了基于Fast rcnn的增量學習目標檢測算法。將特征提取網(wǎng)絡(luò)替換為50層的殘差網(wǎng)絡(luò);同時,向用于輸出的全連接部分加入與新類個數(shù)相適應(yīng)的分類神經(jīng)元和邊框回歸神經(jīng)元以實現(xiàn)對新增類別的學習,并設(shè)計損失函數(shù)使網(wǎng)絡(luò)在學習新類目標的同時避免災(zāi)難遺忘。進一步,針對Fast rcnn網(wǎng)絡(luò)需單獨生成區(qū)域的問題,采用了Faster rcnn網(wǎng)絡(luò),并對其特征提取網(wǎng)絡(luò)進行替換。重點研究了該目標檢測框架下RPN候選框生成網(wǎng)絡(luò)的增量學習算法,最后將增量學習思想應(yīng)用在Faster rcnn框架中的分類和邊框回歸網(wǎng)絡(luò)上,該算法提高了檢測精度和訓練速度。本文算法均在公開無人駕駛數(shù)據(jù)集和安檢數(shù)據(jù)集上進行實驗以驗證可行性與有效性。實驗結(jié)果表明,算法在新舊類上均獲得了85%以上的檢測置信度,即表明本文算法既能有效利用在舊類上訓練網(wǎng)絡(luò)參數(shù),又能實現(xiàn)對新類目標的學習,從而改善訓練模型效率低的問題。
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：X924;TP18
【圖文】：

圖 2.1 神經(jīng)元組成結(jié)構(gòu)人工神經(jīng)元的本質(zhì)就是依據(jù)以上工作原理形成的數(shù)理圖形，其具體的工作機制如.2 所示。在該圖中可以看到神經(jīng)元會將輸入信息經(jīng)過線性加權(quán)以及求和來獲取綜合的結(jié)果，再將過程得到的綜合結(jié)果送入激活函數(shù)中，進而獲得其最終的結(jié)果。W1W2求和Wn激活函數(shù)輸入1輸入2輸入n輸出...圖 2.2 人工神經(jīng)元結(jié)構(gòu)圖2.神經(jīng)網(wǎng)絡(luò)的構(gòu)造及工作原理

層叫做輸出層，該層能輸出最終的各類的得分值。2.2.2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)近來，大批科研工作者以及企業(yè)再一次將目光聚焦在深度學習的目標檢測問題上。在基于深度學習的目標檢測中，可以利用卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力以及學習能力來取代繁瑣的人工操作，這一優(yōu)勢極大地改進了對特征的獲取性能。為了更好應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，接下來將對其典型的結(jié)構(gòu)和應(yīng)用優(yōu)勢進行闡述。1.卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用較為普遍的一種。卷積神經(jīng)網(wǎng)絡(luò)中較為經(jīng)典的網(wǎng)絡(luò)結(jié)構(gòu)如圖 2.3 所示，該結(jié)構(gòu)可以用來實現(xiàn)手寫數(shù)字識別功能。以下介紹該結(jié)構(gòu)中涉及的典型操作。

圖 2.4 卷積運算示意圖) 子采樣層樣層又稱為池化層。子采樣過程可以通過三種合并方式來實現(xiàn)：(1)最均值合并;(3)隨機合并。其具體實現(xiàn)的過程相當于對原始的圖層打馬賽賽克進行特征提取，從而實現(xiàn)運算數(shù)據(jù)量的減少。下面用最大池化來。最大池化如圖 2.5 所示。池化操作的過程為：首先將圖像分成四塊，這些塊之間不存在任何的重分割成的小區(qū)域中像素的最大值。將獲得的最大值按照獲取順序形成同時要對最大值位置進行記錄，為了便于反向傳播時對相關(guān)值的復原積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之所以比較引人注目的原因為：實現(xiàn)了對感受區(qū)域中相進而極大程度地減少了需要調(diào)節(jié)的參數(shù)的數(shù)目。局部連接的方式雖然

【相似文獻】

相關(guān)期刊論文 前10條

1 盧家海;;基于在線增量學習支持向量機的徑流預(yù)測[J];水利科技與經(jīng)濟;2017年07期

2 秦玉平;王秀坤;王春立;;實現(xiàn)兼類樣本類增量學習的一種算法[J];控制與決策;2009年01期

3 秦玉平;李祥納;王秀坤;王春立;;支持向量機加權(quán)類增量學習算法研究[J];計算機工程與應(yīng)用;2007年34期

4 朱婷;滕桂法;陸浩;張長利;曾大軍;;基于在線增量學習的自適應(yīng)聚焦爬蟲研究[J];計算機應(yīng)用與軟件;2009年05期

5 秦玉平;李祥納;王秀坤;王春立;;基于超球支持向量機的類增量學習算法研究[J];計算機科學;2008年08期

6 劉新旺;殷建平;張國敏;羅h

本文編號：2787553