交通街景作為一種全新的地圖服務(wù)方式,從推出以來就被給予很高的期望和廣泛的關(guān)注。交通街景真正實(shí)現(xiàn)了“人視角”,為用戶提供更加真實(shí)、更加豐富的細(xì)節(jié)地圖服務(wù)。交通街景中含有豐富的交通信息,分析交通街景中各類街景目標(biāo)出現(xiàn)的位置及概率具有十分重要的意義。交通街景街景場景中背景復(fù)雜多樣,且街景中目標(biāo)種類多種多樣,街景中各類目標(biāo)相互遮擋情況非常普遍,使用傳統(tǒng)的街景識別算法,很難做到精確的交通目標(biāo)分類和交通目標(biāo)定位任務(wù)。由于深度學(xué)習(xí)算法的成熟和計(jì)算機(jī)硬件性能的提升,處理交通街景視頻或者交通街景圖像已經(jīng)取得了一定的成果,因此基于深度學(xué)習(xí)方法的交通街景識別成為當(dāng)前的圖像處理的一個(gè)主要研究方向。本文主要對基于候選區(qū)域的深度學(xué)習(xí)街景識別算法和基于回歸方法的深度學(xué)習(xí)街景識別算法研究,以及針對實(shí)際街景場景中各類目標(biāo)的分布情況進(jìn)行研究,重新制作PASCAL VOC與INRIA混合數(shù)據(jù)集,分別設(shè)計(jì)與驗(yàn)證這倆類不同算法的運(yùn)算速度與識別效率。由于本文使用的是PASCAL VOC數(shù)據(jù)集與INRIA數(shù)據(jù)集的混合數(shù)據(jù)集,所以本文使用k-means聚類方法重新確定錨框的大小和數(shù)量,通過實(shí)驗(yàn)證明其識別效率的明顯提升。通過對混合數(shù)據(jù)... 

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的目標(biāo)識別算法
        1.2.2 深度學(xué)習(xí)在街景目標(biāo)識別領(lǐng)域的研究
        1.2.3 存在的問題
        1.2.4 研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容及結(jié)構(gòu)安排
2 神經(jīng)網(wǎng)絡(luò)
    2.1 多層神經(jīng)網(wǎng)絡(luò)
        2.1.1 多層神經(jīng)網(wǎng)絡(luò)概念
        2.1.2 前向傳播
        2.1.3 反向傳播
    2.2 激活函數(shù)
    2.3 本章小結(jié)
3 街景識別的卷積神經(jīng)網(wǎng)絡(luò)算法
    3.1 基于區(qū)域的網(wǎng)絡(luò)
        3.1.1 RCNN網(wǎng)絡(luò)
        3.1.2 SPP-Net網(wǎng)絡(luò)
        3.1.3 Fast RCNN網(wǎng)絡(luò)
        3.1.4 Faster RCNN
    3.2 基于回歸的網(wǎng)絡(luò)
        3.2.1 YOLO的網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 識別流程
        3.2.3 YOLO優(yōu)缺點(diǎn)分析
    3.3 相關(guān)評價(jià)指標(biāo)
    3.4 本章小結(jié)
4 基于深度學(xué)習(xí)的卷積神經(jīng)街景識別算法優(yōu)化
    4.1 交通街景識別中目標(biāo)的特性分析
    4.2 YOLO運(yùn)算速度分析
        4.2.1 K-means聚類分析
        4.2.2 回歸訓(xùn)練過程分析
        4.2.3 梯度彌散和過擬合問題
    4.3 YOLO網(wǎng)絡(luò)的改進(jìn)
        4.3.1 基于輸入尺度的改進(jìn)
        4.3.2 基于損失函數(shù)的改進(jìn)
        4.3.3 全卷積網(wǎng)絡(luò)實(shí)現(xiàn)
    4.4 結(jié)果分析
        4.4.1 實(shí)驗(yàn)平臺
        4.4.2 測試聚類確定最優(yōu)的anchor
        4.4.3 測試橫軸候選框擴(kuò)展的有效性
        4.4.4 混合數(shù)據(jù)集測試
        4.4.5 平均交并比測試
        4.4.6 識別效率測試
        4.4.7 混淆矩陣分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]Toward a K-means clustering approach to adaptive random testing for object-oriented software[J]. Jinfu CHEN,Minmin ZHOU,T H TSE,Tsong Yueh CHEN,Yuchi GUO,Rubing HUANG,Chengying MAO.  Science China（Information Sciences）. 2019(11)
[2]基于改進(jìn)K-means++聚類的多擴(kuò)展目標(biāo)跟蹤算法[J]. 俞皓芳,孫力帆,付主木.  計(jì)算機(jī)應(yīng)用. 2020(01)
[3]實(shí)時(shí)目標(biāo)檢測算法YOLO的批再規(guī)范化處理[J]. 溫捷文,戰(zhàn)蔭偉,凌偉林,郭燦樟.  計(jì)算機(jī)應(yīng)用研究. 2018(10)
[4]基于Jetson TK1和深度卷積神經(jīng)網(wǎng)絡(luò)的行人檢測[J]. 馮帥,張龍,賀小慧.  信息技術(shù). 2017(10)
[5]Contourlet變換和分形維的圖像特征提取與識別[J]. 劉歡,肖根福,羅文浪,譚云蘭,李金忠.  小型微型計(jì)算機(jī)系統(tǒng). 2017(10)
[6]基于深度學(xué)習(xí)的車輛檢測方法[J]. 王德宇,徐友春,李永樂,陸峰,鄭凱文.  計(jì)算機(jī)與現(xiàn)代化. 2017(08)
[7]深度學(xué)習(xí)在目標(biāo)視覺檢測中的應(yīng)用進(jìn)展與展望[J]. 張慧,王坤峰,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(08)
[8]基于YOLO網(wǎng)絡(luò)的行人檢測方法[J]. 高宗,李少波,陳濟(jì)楠,李政杰.  計(jì)算機(jī)工程. 2018(05)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[10]自適應(yīng)融合目標(biāo)和背景的圖像特征提取方法[J]. 于來行,馮林,張晶,劉勝藍(lán).  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2016(08)



本文編號：3730042