目標(biāo)檢測(cè)是計(jì)算機(jī)視覺系統(tǒng)中最為關(guān)鍵的基礎(chǔ)技術(shù)之一。對(duì)于現(xiàn)實(shí)世界中的許多人工智能系統(tǒng)而言,精準(zhǔn)的目標(biāo)定位是必不可少的,譬如目標(biāo)追蹤、識(shí)別和對(duì)齊等。目前,得益于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力,目標(biāo)檢測(cè)算法取得了突破性的進(jìn)展。然而在某些對(duì)算法時(shí)間和空間復(fù)雜度要求較高的應(yīng)用中,如無人機(jī)導(dǎo)航、安防領(lǐng)域和自動(dòng)駕駛等,現(xiàn)有的實(shí)時(shí)目標(biāo)檢測(cè)算法在檢測(cè)性能方面無法達(dá)到令人滿意的效果。因此如何提高實(shí)時(shí)目標(biāo)檢測(cè)網(wǎng)絡(luò)的準(zhǔn)確率獲得了廣泛的關(guān)注。而現(xiàn)有對(duì)實(shí)時(shí)目標(biāo)檢測(cè)算法的改進(jìn)工作大多是以犧牲時(shí)間和空間復(fù)雜度為代價(jià),來換取準(zhǔn)確率的提升。針對(duì)這一不足,本文以當(dāng)前最先進(jìn)的實(shí)時(shí)目標(biāo)檢測(cè)網(wǎng)絡(luò)SSD為基礎(chǔ),設(shè)計(jì)了兩種特征增強(qiáng)方法,分別從空間和通道的角度來提升卷積神經(jīng)網(wǎng)絡(luò)特征的判別性,在增加較少時(shí)間復(fù)雜度情況下,有效提升了SSD網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率,并且減少了一定的空間復(fù)雜度。本文主要工作包含以下兩方面:首先,針對(duì)目標(biāo)特征提取過程中受周圍背景或者無關(guān)目標(biāo)干擾的問題,本文以SSD網(wǎng)絡(luò)為基礎(chǔ)提出了一種空間特征增強(qiáng)網(wǎng)絡(luò)。這一網(wǎng)絡(luò)借鑒人類視覺注意力機(jī)制,提出了一種輕量型的空間注意力模塊,旨在以較小的代價(jià)使網(wǎng)絡(luò)關(guān)注于檢測(cè)場(chǎng)景中關(guān)鍵區(qū)域。該模塊... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 研究現(xiàn)狀
        1.2.2 技術(shù)難點(diǎn)
    1.3 論文組織架構(gòu)
第二章 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)
    2.1 經(jīng)典目標(biāo)檢測(cè)網(wǎng)絡(luò)
        2.1.1 Faster RCNN
        2.1.2 SSD(Single Shot Multibox Detector )
    2.2 基于特征增強(qiáng)的實(shí)時(shí)目標(biāo)檢測(cè)網(wǎng)絡(luò)
        2.2.1 注意力機(jī)制
        2.2.2 特征融合
    2.3 目標(biāo)檢測(cè)常用數(shù)據(jù)集及評(píng)測(cè)指標(biāo)
        2.3.1 Pascal VOC數(shù)據(jù)集
        2.3.2 MS COCO數(shù)據(jù)集
        2.3.3 評(píng)測(cè)指標(biāo)
    2.4 本章小結(jié)
第三章 基于空間特征增強(qiáng)的SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)
    3.1 SSD網(wǎng)絡(luò)的多尺度特征分析
        3.1.1 反卷積可視化
        3.1.2 特征圖可視化
    3.2 基于輕型空間注意力機(jī)制的空間特征增強(qiáng)方法
        3.2.1 空間特征增強(qiáng)網(wǎng)絡(luò)
        3.2.2 LSAM模塊分析
    3.3 基于空間特征增強(qiáng)的目標(biāo)檢測(cè)實(shí)驗(yàn)
        3.3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集
        3.3.2 模型訓(xùn)練
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.4 實(shí)例分析
    3.4 本章小結(jié)
第四章 基于通道特征增強(qiáng)的SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)
    4.1 SSD網(wǎng)絡(luò)的通道特征冗余分析
    4.2 基于特征冗余的通道特征增強(qiáng)方法
        4.2.1 SSD通道特征增強(qiáng)網(wǎng)絡(luò)
        4.2.2 CEM模塊分析
    4.3 基于通道特征增強(qiáng)的目標(biāo)檢測(cè)實(shí)驗(yàn)
        4.3.1 訓(xùn)練過程
        4.3.2 實(shí)驗(yàn)結(jié)果及分析
    4.4 特征增強(qiáng)方法的融合實(shí)驗(yàn)
        4.4.1 模型訓(xùn)練
        4.4.2 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3262103