自人工智能誕生起,視覺相關(guān)的研究就一直是該領(lǐng)域的重點(diǎn),而目標(biāo)檢測作為計(jì)算機(jī)視覺的基礎(chǔ)與核心是研究的重要課題之一,已經(jīng)廣泛應(yīng)用于人們的生活,例如電力監(jiān)控、交通預(yù)警、自動(dòng)駕駛等。經(jīng)過科研工作者的不斷努力,目標(biāo)檢測算法越來越成熟,從傳統(tǒng)的目標(biāo)檢測算法到基于深度學(xué)習(xí)的目標(biāo)檢測算法,再從基于深度學(xué)習(xí)的目標(biāo)檢測算法分為基于候選區(qū)域的目標(biāo)檢測算法和基于回歸的目標(biāo)檢測算法,視覺領(lǐng)域的目標(biāo)檢測體系日益完善,但基于候選區(qū)域的目標(biāo)檢測算法存在檢測速度慢的問題,而基于回歸的目標(biāo)檢測算法存在檢測精度低的問題。從實(shí)用性的角度出發(fā),檢測精度與檢測速度一直以來都是目標(biāo)檢測算法研究的重點(diǎn),而針對復(fù)雜場景下小目標(biāo)檢測問題,始終都是目標(biāo)檢測算法的難點(diǎn),由于小目標(biāo)在整幅影像中的比重較小,特征提取較難,所以在實(shí)際檢測任務(wù)中,漏檢問題是小目標(biāo)檢測的一個(gè)主要問題。面對小目標(biāo)的檢測問題,本文系統(tǒng)總結(jié)了國內(nèi)外目標(biāo)檢測算法的發(fā)展歷史、卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)以及卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測領(lǐng)域的最新研究成果,主要以解決實(shí)際問題的立場出發(fā),闡述以深度學(xué)習(xí)的技術(shù)層面解決電力線巡檢中的小目標(biāo)漏檢問題,在SSD目標(biāo)檢測架構(gòu)基礎(chǔ)之上,提出了MFPSSD（... 

【文章來源】：山東理工大學(xué)山東省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積運(yùn)算示意圖

山東理工大學(xué)碩士學(xué)位論文第二章卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)與關(guān)鍵技術(shù)12活，目前使用較多的激活函數(shù)有Sigmoid、Tanh、ReLU系列、Softmax等，一般針對網(wǎng)絡(luò)任務(wù)和層級的不同會(huì)選擇使用不同的激活函數(shù)。對于分類任務(wù)，網(wǎng)絡(luò)的最后一層是Softmax層，其實(shí)就是使用了Softmax激活函數(shù)。Sigmoid函數(shù)是一種常用的非線性激活函數(shù)，具體公式如式（2.1），函數(shù)曲線如圖2.6所示，x的取值范圍是正無窮到負(fù)無窮，但經(jīng)過Sigmoid函數(shù)輸出后的函數(shù)值會(huì)壓縮在0~1范圍。()=11+（2.1）圖2.6Sigmoid函數(shù)曲線Fig.2.6SigmoidfunctioncurveTanh函數(shù)是Sigmoid函數(shù)的值域升級版，函數(shù)值從0~1拓展到-1~1。其具體公式如式（2.2），函數(shù)曲線如圖2.7。Tanh()=2(2)1(2.2)圖2.7Tanh函數(shù)曲線Fig.2.7Tanhfunctioncurve

山東理工大學(xué)碩士學(xué)位論文第二章卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)與關(guān)鍵技術(shù)12活，目前使用較多的激活函數(shù)有Sigmoid、Tanh、ReLU系列、Softmax等，一般針對網(wǎng)絡(luò)任務(wù)和層級的不同會(huì)選擇使用不同的激活函數(shù)。對于分類任務(wù)，網(wǎng)絡(luò)的最后一層是Softmax層，其實(shí)就是使用了Softmax激活函數(shù)。Sigmoid函數(shù)是一種常用的非線性激活函數(shù)，具體公式如式（2.1），函數(shù)曲線如圖2.6所示，x的取值范圍是正無窮到負(fù)無窮，但經(jīng)過Sigmoid函數(shù)輸出后的函數(shù)值會(huì)壓縮在0~1范圍。()=11+（2.1）圖2.6Sigmoid函數(shù)曲線Fig.2.6SigmoidfunctioncurveTanh函數(shù)是Sigmoid函數(shù)的值域升級版，函數(shù)值從0~1拓展到-1~1。其具體公式如式（2.2），函數(shù)曲線如圖2.7。Tanh()=2(2)1(2.2)圖2.7Tanh函數(shù)曲線Fig.2.7Tanhfunctioncurve

【參考文獻(xiàn)】：
期刊論文
[1]融合YOLO檢測的多目標(biāo)跟蹤算法[J]. 李星辰,柳曉鳴,成曉男.  計(jì)算機(jī)工程與科學(xué). 2020(04)
[2]基于HOG和特征描述子的人臉檢測與跟蹤[J]. 李澎林,鄒嘉程,李偉.  浙江工業(yè)大學(xué)學(xué)報(bào). 2020(02)
[3]基于CNN的銀行卡數(shù)字識別方法[J]. 李尚林,王魯達(dá),劉東.  圖學(xué)學(xué)報(bào). 2020(01)
[4]基于自適應(yīng)局部二值模式的紋理特征提取方法[J]. 李松,蔡航,于蒙.  計(jì)算機(jī)應(yīng)用與軟件. 2019(09)
[5]基于改進(jìn)SIFT特征的深度圖像匹配[J]. 向程諭,王冬麗,李建勛,周彥.  計(jì)算機(jī)應(yīng)用. 2016(S2)



本文編號：3278955