發(fā)布時間：2021-07-10 14:26

　　目標(biāo)檢測技術(shù)作為計算機視覺領(lǐng)域的核心研究課題之一,是重要的計算機視覺任務(wù)。近些年來,伴隨著硬件計算能力的提升、大數(shù)據(jù)集的誕生以及深度學(xué)習(xí)技術(shù)的發(fā)展,目標(biāo)檢測性能得到極大提升。其中,深度卷積神經(jīng)網(wǎng)絡(luò)由于其結(jié)構(gòu)優(yōu)勢,在圖像特征提取方面有著傳統(tǒng)目標(biāo)檢測難以比擬的優(yōu)勢,具有強大的特征提取能力和可學(xué)習(xí)性,能夠有效地提取圖像特征信息�，F(xiàn)有的目標(biāo)檢測方法中,檢測精度和檢測速度始終無法兼顧,如何又好又快地實現(xiàn)目標(biāo)的精準(zhǔn)檢測仍然是廣大研究人員的一大難題。本文針對現(xiàn)有的目標(biāo)檢測框架中存在的精度和速度不能兼顧以及對小目標(biāo)檢測效果不佳等問題,在基于候選區(qū)域思想的目標(biāo)檢測算法基礎(chǔ)上,提出了一種新型的基于卷積神經(jīng)網(wǎng)絡(luò)的方法,主要研究內(nèi)容如下:（1）由于傳統(tǒng)CNN網(wǎng)絡(luò)模型的參數(shù)較多,特征圖維度較高,導(dǎo)致內(nèi)存占用大,數(shù)據(jù)量多,計算成本高,檢測花費時間較長,同時也很難部署在內(nèi)存資源有限的移動設(shè)備上。因此為了降低在特征提取階段的參數(shù),本文在用于提取特征的主干網(wǎng)絡(luò)上,加上深度可分離卷積層,對特征圖進行壓縮,從而減小數(shù)據(jù)量,降低計算成本。深度可分離卷積通過將標(biāo)準(zhǔn)卷積分解為深度卷積與逐點卷積,分兩步完成對圖像特征的提取與合并,... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２?ＺＦ－Ｎｅｔ結(jié)構(gòu)示意圖??（３）?ＶＧＧＮｅｔ??２０１４年，牛津大學(xué)的ｋａｒｅｎ?Ｓｉｍｏｎｙａｎ和Ａｎｄｒｅｗ?Ｚｉｓｓｅｒｍａｎ在之前的基礎(chǔ)上建立了新??

ｓｈｏｒｔｃｕｔ”模塊的殘差映射關(guān)系描述是為（Ｆ（ｘ）＝Ｈ（Ｘ）－ｘ），而并非是一個學(xué)習(xí)的卷積層??函數(shù)Ｆ（ｘ）。如果運用ＲｅｓＮｅｔ對“ｓｈｏｒｔｃｕｔ”進行濾波處理，并能夠量模塊中的兩層結(jié)構(gòu)??轉(zhuǎn)換為（１ｘ１，３ｘ３，１４）的三層結(jié)構(gòu)，進而使參數(shù)的權(quán)重數(shù)量得到優(yōu)化，當(dāng)濾波器的結(jié)構(gòu)??為ｌｘｌ時，模塊中的參數(shù)權(quán)重數(shù)量會顯著減少。ＲｅｓＮｅｔ結(jié)構(gòu)的優(yōu)化詳情見圖。??Ｆ（Ｘ?１?ｒｅｌＵ?＼?ｉｄｅｎｔｉｔｙ??Ｗｅｉｇｈｔ?ｌａｙｅｒ?Ｊ??Ｆ（ｘ）＋ｘ??”?ｒｅｌｕ??圖２．３殘差塊示意圖??２．２目標(biāo)檢測算法的發(fā)展歷程??目標(biāo)檢測算法是一種使用較早的方法，其中包含了?ＨＯＧ算法、ＳＩＦＴ算法、ＳＵＲＦ算法。??隨著學(xué)者們在檢測方法上的不斷探索，最終提出了深度學(xué)習(xí)算法，并通過對深度學(xué)習(xí)算法??的不斷完善，使其逐漸在目標(biāo)檢測領(lǐng)域獲得了廣泛的使用。目標(biāo)檢測算法能夠通過對網(wǎng)絡(luò)??堆疊的特征來計算網(wǎng)絡(luò)結(jié)構(gòu)的函數(shù)損失數(shù)量，并結(jié)合特定公式來計算出目標(biāo)所在的聚類特??征與最佳點位（Ｌｏｓｓ?Ｆｕｎｃｔｉｏｎ）。雖然傳統(tǒng)目標(biāo)檢測方法和基于深度學(xué)習(xí)的目標(biāo)檢測方法在??計算的原理上存在較大區(qū)別，但兩者都集成了對函數(shù)特征的類別劃分、函數(shù)位置的最優(yōu)解。??基于此，這兩種方法在目標(biāo)檢測中需要研究的問題主要為以下三種：??？目標(biāo)會隨即出現(xiàn)在圖像的任意點位上??？不同目標(biāo)的形狀存在較大差異??？不同目標(biāo)的幾何尺寸也不盡相同??１０??

ｊｒ．｜?Ｈ?ＧＣＮＮ?１?￣啲視?｜??４?ｇ化學(xué)習(xí)?｜?Ｈ?ＹＯＬＯ?Ｈ?ＹＯＬＯ９Ｃ０Ｃ?Ｈ?Ｙ〇ｌ〇＊３?ｊ?一》｜?外［????—６ｒｉｄＫＮＫ?｜??＊＼ＳＤ＂＂＂＂ｆ－?￣￣ＤＳＳＯ｜?????????，?．?更大ｆｉｍｉｎｉ３ａｔｄｉ｜??？｜?Ｍｅｇ３ｅｔ?｜??＾?ＤＳＭ?Ｉ????Ｌｆｉｉｒ］?Ｕ［ｗｉｉ｝－＾Ｃ＾Ｄ??，?，?—Ｈ?Ａ－Ｆａｓｔ－ＲＣＮＫ?Ｉ??ｊ?ＥＳＳＤ?Ｉ?１?１??＇一?—？｜?ＯＨＥＶ?｜??圖２．４目標(biāo)檢測算法的發(fā)展歷程??２．３深度學(xué)習(xí)目標(biāo)檢測法??隨著學(xué)術(shù)界對圖像分類檢測算法研究的不斷深入，深度學(xué)習(xí)算法對目標(biāo)檢測的質(zhì)量不??斷提高，并逐漸成為當(dāng)前最具實用性的自動特征學(xué)習(xí)法。相較于傳統(tǒng)目標(biāo)檢測算法，深度??學(xué)習(xí)算法能夠通過對目標(biāo)特征的預(yù)設(shè)，來優(yōu)化學(xué)習(xí)的能力，并構(gòu)建出具有豐富信息量的模??型特征。首先，深度學(xué)習(xí)算法能夠通過兩端的對接來實現(xiàn)端與端之間的學(xué)習(xí)，并實現(xiàn)對函??數(shù)的訓(xùn)練；其次在多層非線性變換處理的過程中，深度學(xué)習(xí)法能夠通過圖像的構(gòu)建來描述??不同目標(biāo)函數(shù)之間的慣性，從而免除了手工設(shè)計環(huán)節(jié)。上世紀(jì)９０年代，ＣＮＮ方法逐漸在??目標(biāo)檢測領(lǐng)域和目標(biāo)定位領(lǐng)域獲得了試驗性應(yīng)用，雖然初期獲得了一定效果，但由于數(shù)據(jù)??訓(xùn)練能力非常有限，導(dǎo)致計算的結(jié)果存在較大偏差。２０１２年之前，ＣＮＮ算法的發(fā)展速度??較慢。但在２０１２之后，學(xué)術(shù)界對ＣＮＮ算法的研宄興趣不斷增加，并在ＩｍａｇｅＮｅｔ１５３１計算的??過程中發(fā)揮出了良好效用，使目標(biāo)檢測算法的計算準(zhǔn)確性大幅提升。??深度學(xué)習(xí)算法在不同檢測階段產(chǎn)生效用也不盡相同，計算的機制存在較大區(qū)別，由

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的圖像檢索研究[J]. 楊馥溢,何嘉.  計算機與數(shù)字工程. 2019(09)
[2]人工智能在汽車自動駕駛中的應(yīng)用[J]. 張美芳,王羽,鄭碧琪,張凱帆.  汽車工業(yè)研究. 2019(03)
[3]人工智能在安防領(lǐng)域的應(yīng)用研究[J]. 張加良.  自動化應(yīng)用. 2019(08)
[4]深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J]. 鄭遠攀,李廣陽,李曄.  計算機工程與應(yīng)用. 2019(12)
[5]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計算機視覺領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進軍.  計算機學(xué)報. 2019(03)
[6]現(xiàn)代智能視頻監(jiān)控研究綜述[J]. 吳群,王田,王漢武,賴永炫,鐘必能,陳永紅.  計算機應(yīng)用研究. 2016(06)



本文編號：3276085