發(fā)布時間：2021-05-13 22:39

　　圖像目標檢測是計算機視覺領(lǐng)域的核心問題之一,也是高層語義分析的基礎(chǔ)性問題,在智能駕駛、安防監(jiān)控以及戰(zhàn)場偵察等領(lǐng)域均有著廣泛應(yīng)用。近年來,隨著深度卷積神經(jīng)網(wǎng)絡(luò)的引入,圖像目標檢測領(lǐng)域的研究取得了突破性進展,然而圖像目標檢測在實際應(yīng)用中依然面臨著一系列的挑戰(zhàn),例如:小目標檢測、算法準確率和計算量的權(quán)衡、目標尺度變化范圍較大和跨模態(tài)知識遷移等。本文以深度卷積神經(jīng)網(wǎng)絡(luò)為技術(shù)手段,從圖像目標檢測網(wǎng)絡(luò)處理流程的角度,探索分步預(yù)測、漸近預(yù)測和單步預(yù)測等不同的信息利用方式,以追求既能增強檢測率又能減少算法計算量的檢測方法,主要研究內(nèi)容及創(chuàng)新點如下:1、在雙階段目標檢測框架下,本文提出一種基于反向特征增強和空間分布保持的分步預(yù)測檢測方法,增強了檢測器對目標尺度自適應(yīng)的能力。具體而言,在檢測器的第一階段采用一種反向特征增強網(wǎng)絡(luò),將高層特征圖逐層反向和低層特征圖進行融合,使得低層特征圖在保持較高空間分辨率的同時具備了較高的特征判別力,從而極大提高了小目標的召回率;其次,在檢測器的第二階段采用一種空間分布保持網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)構(gòu)能夠在不斷抽象目標區(qū)域特征的同時保留特征的空間分布信息,從而提高了目標候選框的定位精度... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：141 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 圖像目標檢測的概念及處理框架
        1.2.1 圖像目標檢測的算法框架
        1.2.2 圖像目標檢測的算法要素
    1.3 影響檢測性能的主要因素
        1.3.1 網(wǎng)絡(luò)架構(gòu)
        1.3.2 錨框
    1.4 遷移學(xué)習(xí)的研究現(xiàn)狀
    1.5 圖像目標檢測面臨的難點問題
    1.6 課題研究內(nèi)容及組織結(jié)構(gòu)
第二章 基于特征增強的雙階段目標檢測
    2.1 問題提出
    2.2 問題分析與解決思路
    2.3 ITVD算法構(gòu)造
        2.3.1 基本框架
        2.3.2 反向特征增強網(wǎng)絡(luò)(BFEN)
        2.3.3 空間分布保持網(wǎng)絡(luò)(SLPN)
        2.3.4 軟式難樣本挖掘策略
        2.3.5 網(wǎng)絡(luò)訓(xùn)練
    2.4 實驗結(jié)果與分析
        2.4.1 實驗設(shè)定
        2.4.2 模塊分析
        2.4.3 與當前領(lǐng)先算法的對比分析
    2.5 本章小結(jié)
第三章 基于漸近定位擬合的單階段目標檢測
    3.1 問題提出
    3.2 問題分析與解決思路
    3.3 ALFNet算法構(gòu)造
        3.3.1 基本框架
        3.3.2 漸近定位擬合
        3.3.3 卷積預(yù)測模塊
        3.3.4 算法框架
        3.3.5 訓(xùn)練和測試
    3.4 實驗結(jié)果與分析
        3.4.1 實驗設(shè)定
        3.4.2 模塊分析
        3.4.3 與當前領(lǐng)先算法的對比分析
        3.4.4 不同尺度目標檢測性能對比
    3.5 本章小結(jié)
第四章 基于中心點定位的無“錨框”目標檢測
    4.1 研究動機
    4.2 研究思路
    4.3 算法原理和實現(xiàn)
        4.3.1 基本框架
        4.3.2 CSP算法構(gòu)造
        4.3.3 網(wǎng)絡(luò)訓(xùn)練
        4.3.4 網(wǎng)絡(luò)測試
    4.4 實驗結(jié)果與分析
        4.4.1 實驗設(shè)定
        4.4.2 模塊分析
        4.4.3 與當前領(lǐng)先算法的對比分析
        4.4.4 不同尺度目標檢測性能評估
    4.5 本章小結(jié)
第五章 基于無監(jiān)督遷移學(xué)習(xí)的紅外圖像目標檢測
    5.1 問題提出
    5.2 自適應(yīng)網(wǎng)絡(luò)遷移學(xué)習(xí)
        5.2.1 基本思路
        5.2.2 特征可視化分析
    5.3 基于生成對抗網(wǎng)絡(luò)(GAN)的偽紅外圖像數(shù)據(jù)生成
        5.3.1 對抗生成網(wǎng)絡(luò)(GAN)基本原理
        5.3.2 基于Pix2Pix GAN的偽紅外圖像數(shù)據(jù)生成
        5.3.3 基于Cycle GAN的偽紅外圖像數(shù)據(jù)生成
    5.4 實驗結(jié)果與分析
        5.4.1 實驗設(shè)定
        5.4.2 自適應(yīng)網(wǎng)絡(luò)遷移學(xué)習(xí)實驗分析
        5.4.3 偽紅外圖像數(shù)據(jù)生成實驗分析
    5.5 本章小結(jié)
第六章 結(jié)論與展望
    6.1 本文工作總結(jié)
    6.2 下一步研究方向
致謝
參考文獻
作者在學(xué)期間取得的學(xué)術(shù)成果
附錄A 深度卷積神經(jīng)網(wǎng)絡(luò)基本原理
    A.1 網(wǎng)絡(luò)基本元素——層
    A.2 經(jīng)典網(wǎng)絡(luò)模型架構(gòu)
    A.3 訓(xùn)練方法
附錄B 本文實驗所采用的數(shù)據(jù)集簡介



本文編號：3184829