近年來,交通信息的飛速增長使得利用人工來對交通信息進行監(jiān)控、審查、識別的傳統(tǒng)方式不再可行,需要以人工智能的方式來對交通情況進行監(jiān)控與告警,滿足交通管控部門的需要。其中道路異常物體類別可謂是繁雜多樣、難以統(tǒng)計,且在海量交通信息數據中尋找大量存在異常物體的道路交通圖像、視頻數據,需要耗費大量人力物力財力,很難對每種道路異常物體都獲取足夠的訓練樣本。因此道路異常物體識別任務存在物體定位困難、訓練數據不足、輸出模型難以收斂或過擬合現象嚴重等技術難題。針對上述難題,本論文研究并實現了基于深度學習的道路異常物體檢測算法。首先,為了使得異常物體定位中的背景建模更加適合道路監(jiān)控視頻的特性,提出了基于空-時域信息的背景建模方法:先以K-means算法對像素進行聚類,再通過改進K近鄰的方式對連續(xù)視頻幀內的像素進行背景判斷,完成異常物體定位。實驗結果表明,該定位方式能夠提取出異常物體,解決異常物體定位困難的問題。接下來,本文提出通道間注意力模型來對已實現準確定位的異常物體進行分類。在分類過程中,通過注意力層的方式將類別詞向量嵌入到圖像特征當中,使得特征譜所包含的信息量增加,更易于進行相似度度量。針對有標數據... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數】：82 頁

【學位級別】：碩士

【部分圖文】：

異常物休屏采

人工神多元樟型

Sigmoid 函數中間區(qū)域具有非線性壓縮作用，而兩側的較大誤差在經過多個隱層傳輸到網絡的前幾層時，梯度的現沒有明顯變化的情況，即出現了梯度彌散現象；這一現層參數一直都是初始設定值，而不會隨訓練次數的增加而。對于需要有較多隱含層來獲取圖像不同級別特征的 CN問題，線性整流函數（Rectified Linear Unit， ReLU）應 2010 年由 Nair 和 Hinton[34]提出，它是一個分段線性函數神經網絡中最常見的激活函數，其公式見式(2-3)f ( x) max(0, x)

【參考文獻】：
期刊論文
[1]大數據:概念、技術及應用研究綜述[J]. 方巍,鄭玉,徐江.  南京信息工程大學學報(自然科學版). 2014(05)



本文編號：3119013