目標(biāo)檢測一直是非常熱門的計(jì)算機(jī)視覺領(lǐng)域的研究方向,它的應(yīng)用前景非常廣泛。近年來,傳統(tǒng)的目標(biāo)檢測算法遇到了瓶頸,深度學(xué)習(xí)算法也被廣泛地運(yùn)用到了單幅圖像目標(biāo)檢測上。目標(biāo)檢測實(shí)際應(yīng)用中,不僅需要一定準(zhǔn)確性,而且要求算法具有一定的實(shí)時(shí)性。同時(shí),目標(biāo)檢測的應(yīng)用場景也越來越多,復(fù)雜環(huán)境下的目標(biāo)檢測需求日益增多。本文的目標(biāo)是在復(fù)雜場景中,在滿足準(zhǔn)確率的基礎(chǔ)上,實(shí)現(xiàn)實(shí)時(shí)的特定目標(biāo)檢測。本文首先對經(jīng)典檢測算法中特征提取進(jìn)行改進(jìn),使其在保證一定準(zhǔn)確性的基礎(chǔ)上滿足復(fù)雜場景下實(shí)時(shí)檢測的要求。然后對深度學(xué)習(xí)算法訓(xùn)練新模型并提出新的后處理算法,完成多目標(biāo)檢測任務(wù)。本文選取的傳統(tǒng)機(jī)器學(xué)習(xí)算法是經(jīng)典的支持向量機(jī)（SVM,Support Vector Machine）算法,將提取的邊緣信息的統(tǒng)計(jì)HOG（Histogram of Oriented Gradient,方向梯度直方圖）特征輸入到SVM進(jìn)行訓(xùn)練。訓(xùn)練不需要很大的數(shù)據(jù)量并且訓(xùn)練所需的時(shí)間很短,對硬件沒有特殊需求。但是SVM存在泛化能力差、分類準(zhǔn)確率低等問題。深度學(xué)習(xí)算法不論在準(zhǔn)確率上還是泛化能力上,都遠(yuǎn)超過了傳統(tǒng)的機(jī)器學(xué)習(xí)算法,基于深度學(xué)習(xí)的目標(biāo)檢測算法能夠很好... 

【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)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

VGG網(wǎng)絡(luò)結(jié)構(gòu)

LabelImg工具界面

訓(xùn)練過程中學(xué)習(xí)率曲線圖


本文編號：3306311