發(fā)布時間：2021-02-18 07:39

　　自然場景圖像中,特征提取的質(zhì)量是決定目標(biāo)檢測性能的關(guān)鍵因素。目前,大多數(shù)檢測算法都是利用卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來獲得目標(biāo)的先驗知識,并根據(jù)這些知識進(jìn)行目標(biāo)檢測。卷積神經(jīng)網(wǎng)絡(luò)的低層次特征具有高分辨率、低抽象語義、位置信息少的特點,缺乏特征的代表性;高層次的特征具有高識別性、低分辨率的特點,檢測小尺度目標(biāo)能力不足。本文以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),提出一種多尺度特征圖融合的目標(biāo)檢測方法。首先,利用原始SSD（Single Shot MultiBox Detector）網(wǎng)絡(luò)提取特征圖,通過1?1卷積層將提取的特征圖統(tǒng)一為256維;其次,通過反卷積操作增加自頂向下特征圖的空間分辨率;然后,通過對應(yīng)元素相加操作,將兩個方向的特征圖進(jìn)行融合。將融合后的特征圖采用3?3的卷積核進(jìn)行卷積操作,減小特征圖融合后的混疊效應(yīng)。根據(jù)以上步驟構(gòu)建具有較強(qiáng)語義信息的特征圖,同時保留原有特征圖的細(xì)節(jié)信息。最后,通過預(yù)測框選定聚合目標(biāo),利用非極大抑制（NMS,Non-Maximum Suppresion）算法實現(xiàn)最終檢測。通過PASCAL VOC 2007和PASCAL VOC 2012數(shù)據(jù)集的實驗測試結(jié)果表明,本文方法的m... 

【文章來源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

生物神經(jīng)元結(jié)構(gòu)

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文82.1.1神經(jīng)元模型和網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)元模型生物模型生物模型為基礎(chǔ)，是一種可以接收數(shù)據(jù)輸入并執(zhí)行特定計算和輸出的模型。圖2.2神經(jīng)元模型Figure2.2Neuronmodel神經(jīng)元模型由輸入、激活函數(shù)和累加器構(gòu)成，如圖2.2所示。輸入由多個輸入和一個偏置項組成，累加器為輸入和偏置相加的結(jié)果，激活函數(shù)非線性地計算前一個累加器的結(jié)果。計算公式如下：=(1×1+2×2++×+)（2.1）其中，1，2，，稱為權(quán)重，b稱為偏置。人工神經(jīng)網(wǎng)絡(luò)中，輸入層，中間層及輸出層三部分順序連接。圖2.3三層神經(jīng)網(wǎng)絡(luò)模型Figure2.3Three-layerneuralnetworkmodel如圖2.3所示，圓圈表示神經(jīng)元的節(jié)點結(jié)構(gòu)，神經(jīng)元之間的連接用箭頭表示。第一層是用于接收原始數(shù)據(jù)的輸入層。第二層是用于連接輸入和輸出層的隱藏層。第三層是輸出人工神經(jīng)網(wǎng)絡(luò)的計算結(jié)果的輸出層。人工神經(jīng)網(wǎng)絡(luò)可以包含多個隱藏層，人工神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，其表達(dá)能力會越強(qiáng)。

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文82.1.1神經(jīng)元模型和網(wǎng)絡(luò)結(jié)構(gòu)神經(jīng)元模型生物模型生物模型為基礎(chǔ)，是一種可以接收數(shù)據(jù)輸入并執(zhí)行特定計算和輸出的模型。圖2.2神經(jīng)元模型Figure2.2Neuronmodel神經(jīng)元模型由輸入、激活函數(shù)和累加器構(gòu)成，如圖2.2所示。輸入由多個輸入和一個偏置項組成，累加器為輸入和偏置相加的結(jié)果，激活函數(shù)非線性地計算前一個累加器的結(jié)果。計算公式如下：=(1×1+2×2++×+)（2.1）其中，1，2，，稱為權(quán)重，b稱為偏置。人工神經(jīng)網(wǎng)絡(luò)中，輸入層，中間層及輸出層三部分順序連接。圖2.3三層神經(jīng)網(wǎng)絡(luò)模型Figure2.3Three-layerneuralnetworkmodel如圖2.3所示，圓圈表示神經(jīng)元的節(jié)點結(jié)構(gòu)，神經(jīng)元之間的連接用箭頭表示。第一層是用于接收原始數(shù)據(jù)的輸入層。第二層是用于連接輸入和輸出層的隱藏層。第三層是輸出人工神經(jīng)網(wǎng)絡(luò)的計算結(jié)果的輸出層。人工神經(jīng)網(wǎng)絡(luò)可以包含多個隱藏層，人工神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，其表達(dá)能力會越強(qiáng)。

【參考文獻(xiàn)】：
期刊論文
[1]漢語篇章理解研究綜述[J]. 孔芳,王紅玲,周國棟.  軟件學(xué)報. 2019(07)
[2]基于機(jī)器視覺的深溝球軸承滾珠遺漏檢測[J]. 郝勇,趙翔,溫欽華,商慶園,陳斌.  激光與光電子學(xué)進(jìn)展. 2018(02)
[3]深度學(xué)習(xí)在無人駕駛汽車領(lǐng)域應(yīng)用的研究進(jìn)展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學(xué)報. 2018(01)
[4]適用于移動互聯(lián)網(wǎng)的門限群簽名方案[J]. 陳立全,朱政,王慕陽,孫曉燕.  計算機(jī)學(xué)報. 2018(05)
[5]基于量化表不一致性的JPEG圖像篡改盲檢測[J]. 扈文斌,劉凱.  中國圖象圖形學(xué)報. 2011(03)
[6]基于模糊灰度共生矩陣與隱馬爾可夫模型的斷口圖像識別[J]. 李凌,黎明,魯宇明.  中國圖象圖形學(xué)報. 2010(09)
[7]SAR圖像邊緣檢測方法綜述[J]. 趙凌君,賈承麗,匡綱要.  中國圖象圖形學(xué)報. 2007(12)
[8]基于分形的水聲圖像目標(biāo)探測[J]. 田杰,張春華.  中國圖象圖形學(xué)報. 2005(04)



本文編號：3039254