本文關(guān)鍵詞： 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 目標(biāo)檢測　出處：《天津理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著目前計算機(jī)視覺技術(shù)的不斷發(fā)展,目標(biāo)檢測作為計算機(jī)領(lǐng)域中最重要的一部分,同時也在智能交通、圖像檢索、信息采集多個領(lǐng)域有著重要的地位。然而很多傳統(tǒng)的目標(biāo)檢測算法都是基于手工設(shè)計的特征和小訓(xùn)練樣本的,往往受到光照、遮擋、環(huán)境變化因素等眾多因素的影響,進(jìn)而影響了目標(biāo)檢測算法的性能。而近幾年發(fā)展越來越火熱的深度學(xué)習(xí)作為一個有力的工具能幫助人們實現(xiàn)更好地在目標(biāo)檢測領(lǐng)域進(jìn)行研究和探索。深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域以極大的優(yōu)勢超越了傳統(tǒng)視覺算法,通過在大數(shù)據(jù)下自主學(xué)習(xí)得到的特征,不僅在數(shù)量上更是在性能上遠(yuǎn)遠(yuǎn)超出了人手工設(shè)計的算法特征。雖然深度學(xué)習(xí)有著傳統(tǒng)視覺算法不能比擬的性能優(yōu)勢,但是深度學(xué)習(xí)的缺點也是顯而易見。深度學(xué)習(xí)中越深層的模型包含了越多的參數(shù),帶來了計算量的大幅提升,導(dǎo)致無法實時運行。這對于將深度學(xué)習(xí)技術(shù)應(yīng)用于人們的日常生活帶來了諸多困難。龐大的計算量需求導(dǎo)致了深度學(xué)習(xí)不能實時的運行在嵌入式或是手持設(shè)備中。為了解決這個問題本文提出了基于模型中卷積核濾波器篩選策略的模型精簡以及端到端的目標(biāo)檢測方法,具體工作內(nèi)容如下:(1)針對目前深度學(xué)習(xí)模型中參數(shù)繁多、運算耗時久、占用體積大的問題,本文提出了一種基于平均響應(yīng)值A(chǔ)verage Response Energy(ARE)的卷積核濾波器篩選策略,主要是將深度模型中貢獻(xiàn)度低的卷積核濾波器從原模型中移除,可以大量的減少原模型的權(quán)重參數(shù),進(jìn)而減少模型的占用體積與計算量。在本文的三個公共數(shù)據(jù)集上,實驗結(jié)果也是表明了基于平均響應(yīng)值的卷積核濾波器篩選策略對于降低模型體積和計算量是有效的,在不犧牲精度的情況下,能夠大幅提升深度學(xué)習(xí)模型的實時性。(2)對于當(dāng)前結(jié)合分割定位算法和深度學(xué)習(xí)分離式框架,本文通過在深度模型的最后一層卷積層后添加多尺度卷積特征提取層,訓(xùn)練了一個端到端的基于深度學(xué)習(xí)的目標(biāo)檢測框架。在PASCAL VOC 2007數(shù)據(jù)集上,實驗結(jié)果也是表明了該端到端的深度學(xué)習(xí)目標(biāo)檢測算法可以有效降低模型的運算時間。
[Abstract]:With the development of computer vision technology, target detection, as the most important part of computer field, is also in the fields of intelligent transportation and image retrieval. Information collection plays an important role in many fields. However, many traditional target detection algorithms are based on hand-designed features and small training samples, often subject to light, occlusion. Environmental change factors and many other factors. In recent years, as a powerful tool, it can help people to better research and explore in the field of target detection. The field of target detection surpasses the traditional visual algorithm with great advantage. Through the autonomous learning under big data, not only in quantity but also in the performance of manual design far beyond the characteristics of the algorithm, although depth learning has the traditional visual algorithm can not compare with the performance advantages. However, the disadvantages of deep learning are obvious. The deeper the model is, the more parameters are included, which leads to a significant increase in computational complexity. This makes it difficult to apply deep learning technology to people's daily life. The huge demand for computing makes it impossible for deep learning to run in real-time on embedded or handheld devices. In order to solve this problem, this paper proposes a model reduction and end-to-end target detection method based on the filtering strategy of convolutional kernels in the model. The specific work is as follows: (1) aiming at the problem that there are many parameters in the current depth learning model, the computation time is long, and the volume is large. In this paper, a convolutional kernel filter screening strategy based on average response value Average Response energy is proposed. It is mainly to remove convolutional kernel filter from the original model, which can greatly reduce the weight parameters of the original model. And then reduce the volume and computation of the model. In this paper on the three common data sets. The experimental results also show that the convolution kernel filter screening strategy based on the average response value is effective to reduce the volume and computational complexity of the model without sacrificing the accuracy. Can greatly improve the depth of learning model of real-time. 2) for the current combination of segmentation and location algorithm and depth learning separation framework. In this paper, we add multi-scale convolution feature extraction layer after the last layer of the depth model. An end-to-end target detection framework based on in-depth learning is trained on the PASCAL VOC 2007 dataset. The experimental results also show that the end-to-end depth learning target detection algorithm can effectively reduce the operation time of the model.
【學(xué)位授予單位】：天津理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 莊曉嬋;向平;趙牡丹;;圖像目標(biāo)檢測算法研究[J];科學(xué)技術(shù)與工程;2007年05期

2 張桂林，熊艷，，曹偉，李強(qiáng);一種評價自動目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報(社會科學(xué)版);1994年05期

3 秦劍;陳錢;錢惟賢;;基于背景分類的弱小目標(biāo)檢測算法[J];光電工程;2011年01期

4 蔣建國;吳暉;齊美彬;張莉;;攝像機(jī)旋轉(zhuǎn)運動下的快速目標(biāo)檢測算法[J];圖學(xué)學(xué)報;2012年03期

5 逯鵬;張姍姍;劉馳;黃石磊;湯玉合;;基于稀疏超完備表示的目標(biāo)檢測算法[J];儀器儀表學(xué)報;2013年06期

6 李大輝;金濤;;弱小目標(biāo)檢測算法的設(shè)計與分析[J];中國科技信息;2013年16期

7 張明艷;許鋼;孟櫻;;基于時空特性的運動目標(biāo)檢測算法研究[J];安徽工程大學(xué)學(xué)報;2013年04期

8 徐振海,王雪松,肖順平,莊釗文;基于模糊融合的目標(biāo)檢測算法研究[J];國防科技大學(xué)學(xué)報;2000年04期

9 李維雅,董能力,金鋼,李正周;弱小目標(biāo)檢測算法性能評價的回歸分析方法[J];光電工程;2005年02期

10 高陳強(qiáng);田金文;王鵬;;基于時域特性分析的紅外運動小目標(biāo)檢測算法[J];紅外與激光工程;2008年05期

相關(guān)會議論文 前10條

1 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標(biāo)檢測算法[A];全國第22屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會議論文摘要集[C];2011年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測算法[A];第八屆全國信號與信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

3 鄧宇;陳孝威;;綜合利用時空信息的運動目標(biāo)檢測算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會議(NCMT'06)論文集[C];2006年

4 袁輝;孫卓;李德民;魏穎;;基于小波多尺度互能量交叉融合濾波的弱小目標(biāo)檢測算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

5 顧靜良;萬敏;張衛(wèi);鄭捷;;低對比度弱小目標(biāo)檢測算法[A];中國工程物理研究院科技年報（2005）[C];2005年

6 黃龔;鄭錦;劉養(yǎng)科;;攝像機(jī)水平巡掃時的運動目標(biāo)檢測算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

7 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺結(jié)構(gòu)的目標(biāo)檢測算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

8 王正;劉瑞華;;基于PTZ攝像機(jī)的運動目標(biāo)檢測算法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

9 王彪;王成儒;王芬芬;;一種改進(jìn)的運動目標(biāo)檢測算法[A];計算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

10 劉琳;顧國華;錢惟賢;陳錢;徐富元;;目標(biāo)檢測算法的研究以及SRIO協(xié)議在目標(biāo)檢測的應(yīng)用[A];第八屆華東三省一市真空學(xué)術(shù)交流會論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王海豐;基于機(jī)器視覺的剖竹機(jī)加工目標(biāo)檢測算法研究[D];東北林業(yè)大學(xué);2015年

2 高永嬋;復(fù)雜場景下多通道陣列自適應(yīng)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2015年

3 王俊強(qiáng);圖像中人體目標(biāo)檢測算法研究[D];北京郵電大學(xué);2012年

4 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

5 臧風(fēng)妮;智能視頻監(jiān)控中海面艦船目標(biāo)檢測算法研究[D];中國海洋大學(xué);2014年

6 陳偉;基于PSO的復(fù)雜工業(yè)環(huán)境視覺目標(biāo)檢測算法應(yīng)用研究[D];武漢科技大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 劉恒建;基于FPGA+DSP的運動目標(biāo)檢測系統(tǒng)的設(shè)計與實現(xiàn)[D];南京理工大學(xué);2015年

2 賈建英;視頻序列中運動目標(biāo)檢測算法研究[D];長安大學(xué);2015年

3 周亞運;基于TMS320DM642平臺的紅外運動目標(biāo)檢測算法設(shè)計[D];南京理工大學(xué);2015年

4 姚丹;基于多光譜信息融合的弱小運動目標(biāo)檢測技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 劉培培;基于區(qū)域特征的運動目標(biāo)檢測算法的研究與開發(fā)[D];廣西大學(xué);2015年

6 崔璇;天空背景下紅外小目標(biāo)檢測算法研究[D];陜西師范大學(xué);2015年

7 范肖肖;基于視覺注意機(jī)制的目標(biāo)檢測算法的研究[D];電子科技大學(xué);2015年

8 丁嬋;運動目標(biāo)檢測算法在嵌入式平臺的研究[D];電子科技大學(xué);2015年

9 張冠雄;基于標(biāo)簽傳播的顯著性目標(biāo)檢測算法研究[D];大連理工大學(xué);2015年

10 李建波;視頻監(jiān)控中運動目標(biāo)檢測算法的研究[D];哈爾濱工業(yè)大學(xué);2014年

本文編號：1459236