目標(biāo)檢測是很多計(jì)算機(jī)視覺任務(wù)的基礎(chǔ),關(guān)于它的研究對智能交通、智能監(jiān)控、軍事制導(dǎo)以及醫(yī)學(xué)手術(shù)等領(lǐng)域的發(fā)展有著極其重要的作用。早期的目標(biāo)檢測算法大多都是基于手工設(shè)計(jì)的特征基礎(chǔ)之上的,無法有效的表示圖像特征。近年來,由于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network,CNN）的提出,有效地克服了傳統(tǒng)圖像目標(biāo)檢測方法的局限性,已經(jīng)成為目標(biāo)檢測研究領(lǐng)域的熱點(diǎn)。該文基于對目標(biāo)檢測技術(shù)的國內(nèi)外研究現(xiàn)狀及現(xiàn)有算法的認(rèn)真分析,結(jié)合CNN相關(guān)的研究理論,在經(jīng)典目標(biāo)檢測框架基礎(chǔ)上,提出了一些改進(jìn)策略,論文主要工作包括:（1）針對經(jīng)典CNN中卷積單元幾何建模能力較差、ReLU（Rectified Linear Unit）激活函數(shù)容易導(dǎo)致神經(jīng)元死亡的問題,提出了一種基于自適應(yīng)感受野的DP-SSD（Deformable Parametric Single Shot Multibox Detector）目標(biāo)檢測方法。該方法在經(jīng)典SSD框架的每一個池化層后面增加一個可變形卷積（Deformable Convolution,DC）結(jié)構(gòu),同時引入?yún)?shù)化線性修正單元PReLU（Parametric Re... 

【文章來源】：長沙理工大學(xué)湖南省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２積分圖示意圖??

信度。除此之??夕卜，每個格子還要預(yù)測一個條件概率值Ｃ，即在該格子存在物體時，該物體屬于某一??類別的概率。ＹＯＬＯ模型的訓(xùn)練分成預(yù)訓(xùn)練和測試模型訓(xùn)練。預(yù)訓(xùn)練階段使用ＩｍａｇｅＮｅｔ??１０００－ｃｌａｓｓ數(shù)據(jù)集＿進(jìn)行，主要訓(xùn)練前２０個卷積層、１個均值池化層以及１個全連接??層；測試模型訓(xùn)練時，向預(yù)訓(xùn)練模型中加入了４個卷積層和兩層全連接層，在預(yù)訓(xùn)練??中獲得的前２０個卷積層網(wǎng)絡(luò)參數(shù)用于初始化ＹＯＬＯ模型的前２０個卷積層的網(wǎng)絡(luò)參??數(shù)，然后使用ＰＡＳＣＡＬ?ＶＯＣ數(shù)據(jù)集［５３進(jìn)行訓(xùn)練。圖２．５為ＹＯＬＯ模型檢測實(shí)例圖。??ｂｏｕｎｄｉｎｇ?ｂｏｘｓ，??圖２．５?ＹＯＬＯ模型檢測實(shí)例圖??如圖２．５所示，ＹＯＬＯ模型在檢測時首先把輸入圖像分為了?７ｘ７的網(wǎng)格，每一個??１４??

上的兩個邊界框的重疊度，取兩者重疊度最大的邊界框?yàn)槟繕?biāo)的位置??框。ＹＯＬＯ模型簡化了目標(biāo)檢測流程，使得檢測速度大幅度提升且可以利用全局信息??進(jìn)行預(yù)測，降低了背景誤檢率，但是也存在一些不足。例如，若有兩個目標(biāo)的中心同??時落入到一個網(wǎng)格中，由于ＹＯＬＯ中的每一個網(wǎng)格只負(fù)責(zé)預(yù)測一種目標(biāo)，則模型只能??檢測出其中一種物體，所以該方法在檢測較小尺寸的目標(biāo)時檢測的效果并不太理想。??針對第一版ＹＯＬＯ模型存在的問題，研究者們積極探索，后面又陸續(xù)推出了?Ｙ〇Ｌ０ｖ２、??Ｙ０Ｌ０ｖ３等版本。圖２．６為部分目標(biāo)檢測算法發(fā)展歷程圖，其中，橫坐標(biāo)表示算法提??出年份，縱坐標(biāo)為算法的平均檢測精度（ｍＡＰ）?［５化數(shù)據(jù)均是基于ＰＡＳＣＡＬ?ＶＯＣ數(shù)??據(jù)集。??ｍＡＰＪ?ＹＯＬＯｖ２??Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?ｐｐ＾?ｍＡＰ：?７８?６??ＦＰＳ：?７?ｍＡＰ：?７４．３??ｍＡＰ：?７３．２??Ｆａｓｔ?Ｒ－ＣＮＮ??ＦＰｓ：?０．５??ｍＡＰ：?７０??匪??＂＾：６３４???１?１?１?１?）??２００８?２０１５?２０１６?２０１７?Ｙｅａｒ??圖２．６目標(biāo)檢測算法發(fā)展歷程圖??２．３卷積神經(jīng)網(wǎng)絡(luò)??２．３．１經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＣＮＮ）是深度學(xué)習(xí)中使用最廣泛的框??架之一，由于其對圖像數(shù)據(jù)擁有獨(dú)特的處理優(yōu)勢，所以在圖形圖像分類、檢測等方面??表現(xiàn)非常優(yōu)異。隨著神經(jīng)網(wǎng)絡(luò)快速的發(fā)展，產(chǎn)生了很多經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，如??ＺＦＮｅｔ�。担担荩郑牵牵危澹簦欤担丁�，ＧｏｏｇｌｅＮｅｔ以及ＲｅｓＮｅｔ等。這些卷積神經(jīng)網(wǎng)絡(luò)在口標(biāo)的檢測與??

【參考文獻(xiàn)】：
期刊論文
[1]兩層級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測[J]. 張海濤,李美霖,董帥含.  中國圖象圖形學(xué)報(bào). 2019(02)
[2]Near Infrared Star Centroid Detection by Area Analysis of Multi-Scale Super Pixel Saliency Fusion Map[J]. Xiaohu Yuan,Shaojun Guo,Chunwen Li,Bin Lu,Shuli Lou.  Tsinghua Science and Technology. 2019(03)
[3]基于改進(jìn)候選區(qū)域網(wǎng)絡(luò)的紅外飛機(jī)檢測[J]. 姜曉偉,王春平,付強(qiáng).  激光與紅外. 2019(01)
[4]基于可變形卷積神經(jīng)網(wǎng)絡(luò)的遙感影像密集區(qū)域車輛檢測方法[J]. 高鑫,李慧,張義,閆夢龍,張宗朔,孫顯,孫皓,于泓峰.  電子與信息學(xué)報(bào). 2018(12)
[5]改進(jìn)Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[6]改進(jìn)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的機(jī)場檢測方法[J]. 朱明明,許悅雷,馬時平,唐紅,辛鵬,馬紅強(qiáng).  光學(xué)學(xué)報(bào). 2018(07)
[7]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)與RPN的交通標(biāo)志識別[J]. 譚臺哲,盧劍彪,溫捷文,李楚宏,凌偉林.  計(jì)算機(jī)工程與應(yīng)用. 2018(21)
[8]基于深度殘差網(wǎng)絡(luò)的高光譜遙感數(shù)據(jù)霾監(jiān)測[J]. 陸永帥,李元祥,劉波,劉輝,崔林麗.  光學(xué)學(xué)報(bào). 2017(11)
[9]卷積神經(jīng)網(wǎng)絡(luò)在腦脊液圖像分類上的應(yīng)用[J]. 龔震霆,陳光喜,曹建收.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(04)
[10]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)



本文編號：2996618