機(jī)場場面監(jiān)視是一個復(fù)雜的問題,隨著我國民航發(fā)展,機(jī)場管理人員對場面活動目標(biāo)的監(jiān)視管理越發(fā)困難,近幾年來機(jī)場場面安全事故頻發(fā),因此,增強(qiáng)機(jī)場場面監(jiān)視能力迫在眉睫。飛行器目標(biāo)檢測是機(jī)場場面監(jiān)視的根本,其目的是準(zhǔn)確完成飛行器的識別與定位任務(wù),檢測效果將直接影響到后續(xù)的跟蹤、事件監(jiān)測結(jié)果,這在場面監(jiān)視系統(tǒng)中至關(guān)重要。近年來隨著深度學(xué)習(xí)的興起,基于深度學(xué)習(xí)的目標(biāo)檢測性能達(dá)到了較高水準(zhǔn)。然而,深度學(xué)習(xí)嚴(yán)重依賴訓(xùn)練樣本,目前沒有專門針對機(jī)場的檢測數(shù)據(jù)集,公共數(shù)據(jù)集中沒有包含飛行器的各種姿態(tài)角度以及復(fù)雜天氣條件下的數(shù)據(jù),這種訓(xùn)練樣本受限的情況將對檢測算法產(chǎn)生嚴(yán)重影響。另外,目標(biāo)檢測普遍存在不平衡問題,由于機(jī)場監(jiān)控圖像的背景遠(yuǎn)大于前景,因此機(jī)場檢測數(shù)據(jù)中的不平衡問題更為嚴(yán)重,為了更好地利用機(jī)場檢測數(shù)據(jù)集,需要開展針對不平衡問題的研究。綜上所述,制作包含機(jī)場場面上的各種情況、滿足算法訓(xùn)練需求的數(shù)據(jù)集,并以此為基礎(chǔ)針對機(jī)場不平衡問題提出相關(guān)檢測方法是很有意義并富有挑戰(zhàn)性的工作。本文的主要研究內(nèi)容如下:1.研究了主流目標(biāo)檢測數(shù)據(jù)集的設(shè)計(jì)方案,針對每一個數(shù)據(jù)集使用YOLO、\Faster-RCNN、SSD算法訓(xùn)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

RPN網(wǎng)絡(luò)結(jié)構(gòu)

電子科技大學(xué)碩士學(xué)位論文10圖2-2ROI池化示意圖ROI池化的另一個好處是節(jié)省了大量時間，檢測算法大多時候都需要檢測多個類別，使用這種方法可以為所有類別的判斷使用相同尺寸的特征圖，與之前的方法相比這無疑有著巨大的優(yōu)勢。分類部分利用已經(jīng)獲得的候選特征圖，通過全連接層與softmax計(jì)算出每個類別的概率向量，從而判斷每個目標(biāo)具體屬于哪個類別；同時通過邊界框回歸來獲得每個候選框的偏移量，從而得到更加精確的檢測框。2.1.2YOLO檢測框架2016年YOLO算法的提出可以算作目標(biāo)檢測算法的里程碑，該算法的全稱是YouOnlyLookOnce:Unified,Real-TimeObjectDetection，這個題目基本包含了YOLO算法的特點(diǎn)，即算法使用的是端到端的統(tǒng)一框架，整體上只需要進(jìn)行一次CNN運(yùn)算，且基本上能實(shí)現(xiàn)實(shí)時的目標(biāo)檢測。由于YOLOv1精度上有所欠缺，因此后續(xù)又提出了YOLOv2,YOLOv3兩個改進(jìn)版本，到了YOLOv3提出時與之前的單級檢測算法相比甚至能同時在速度和精度上達(dá)到最優(yōu)。這里我們將會對YOLO的整體思想以及每個版本的特點(diǎn)進(jìn)行說明。

第2章基于深度學(xué)習(xí)的目標(biāo)檢測11圖2-3網(wǎng)格劃分與預(yù)測在YOLO框架中，輸入一張圖片可以直接獲得目標(biāo)的邊界框以及目標(biāo)類別概率，YOLO之前的兩級目標(biāo)檢測方法都是基于區(qū)域建議的目標(biāo)檢測框架，就是先通過候選區(qū)域網(wǎng)絡(luò)得到大量可能存在目標(biāo)的候選框，然后再去判斷每個候選框存在目標(biāo)概率，最終判斷其中存在的是什么。這種方法需要先得到候選框，再進(jìn)行目標(biāo)的檢測，并且目標(biāo)檢測也分為了兩部分，并不能端到端進(jìn)行檢測，因此這些算法在檢測速度上遠(yuǎn)不如YOLO算法。YOLOv1做出的最重要的改變就是候選框劃分的問題，它直接將輸入圖像劃分成互不重合的小方塊，然后通過卷積得到特定大小的特征圖，基于CNN的特性，下一層特征圖的每一個像素都與前一層的某一塊相關(guān)，因此特征圖的所有元素都可以用來可以預(yù)測那些中心點(diǎn)在該小方格內(nèi)的目標(biāo)，如圖2-3所示。YOLOv1到v3的主要改變是基礎(chǔ)網(wǎng)絡(luò)的改變，YOLOv1中采用的是GooleNet，該網(wǎng)絡(luò)有24個卷積層和2個全連接層，該網(wǎng)絡(luò)采用了大量1×1卷積核，有效的減少了計(jì)算參數(shù)，提高了運(yùn)行效率。而YOLOv2則提出了全新的Darknet-19網(wǎng)絡(luò)，該網(wǎng)絡(luò)有19個卷積層和5個池化層，其總體上的卷積計(jì)算比GoogleNet要少，因此減少了大量的計(jì)算量，并且該網(wǎng)絡(luò)使用全局平均池化代替了全連接層。YOLOv2雖然在精度上已經(jīng)達(dá)到了比較高的水準(zhǔn)，但是距離最優(yōu)還有一定距離，因此為了使檢測效果更好，YOLOv3提出了darknet-53網(wǎng)絡(luò)。


本文編號：3457307