目標(biāo)檢測是計算機(jī)視覺領(lǐng)域的一個基本任務(wù),已經(jīng)應(yīng)用于諸多現(xiàn)實應(yīng)用之中,如人臉識別、自動駕駛、監(jiān)控安防等領(lǐng)域。目標(biāo)檢測通俗來說就是找到圖片中感興趣的區(qū)域,這些區(qū)域有不同的大小、不同的類別、不同的形狀,具有復(fù)雜性和多樣性,這無疑給目標(biāo)檢測帶來巨大的困難。隨著深度學(xué)習(xí)的崛起,目標(biāo)檢測有了新的方向。時至今日,深度學(xué)習(xí)時代的目標(biāo)檢測算法雖已全面超越傳統(tǒng)算法,但仍然有很多問題沒有解決。本文梳理了深度學(xué)習(xí)時代目標(biāo)檢測技術(shù)的演變和發(fā)展,深度剖析了Faster R-CNN、R-FCN、FPN等具有代表性的目標(biāo)檢測模型的優(yōu)缺點,主要在兩個問題上做了重點研究,小目標(biāo)檢測和如何獲取圖像的上下文關(guān)系以指導(dǎo)檢測。小目標(biāo)檢測一直是目標(biāo)檢測的難點,具有特征少、數(shù)量多的特點。通常解決小目標(biāo)需要多尺度目標(biāo)檢測技術(shù),但現(xiàn)有框架在使用多尺度檢測技術(shù)上往往犧牲了圖像的高級語義,而圖像的高級語義對目標(biāo)檢測來說是及其重要的。本文在不犧牲圖像語義的基礎(chǔ)上于Faster R-CNN框架上構(gòu)建了一套多尺度檢測方案,以不同規(guī)模的卷積處理不同規(guī)模的候選提案,并在梯度下降時加以篩選。實驗證明本文所述多尺度檢測方案可以顯著提升目標(biāo)檢測準(zhǔn)確率,在c... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

FasterR-CNN結(jié)構(gòu)圖

第二章目標(biāo)檢測算法分析9圖送給RPN網(wǎng)絡(luò)，自此進(jìn)入RPN階段，特征圖也可以看做特征向量。隨后特征圖經(jīng)過一個3*3的卷積，得到一個13*13*256的特征圖，然后經(jīng)過兩次1*1的卷積，分別得到13*13*（2*9）、13*13*（4*9）的特征圖，前者用來表示候選框背景和前景的得分，后者主要用來邊框回歸，至此再結(jié)合之前預(yù)定義的錨點（Anchors），經(jīng)過非極大值抑制（NMS）方法得到候選框[44]。RPN執(zhí)行粗略的分類操作和邊框回歸操作，將初期篩選的結(jié)果送給RoiPooling層，然后由RoiPooling層執(zhí)行更精確的分類操作和邊框回歸操作，圖2-2就是RPN工作的示意圖。圖2-2RPN工作示意圖圖2-3RPN計算方法具體將圖片經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)得到高級抽象表示的特征圖后，經(jīng)過圖上的滑

第二章目標(biāo)檢測算法分析9圖送給RPN網(wǎng)絡(luò)，自此進(jìn)入RPN階段，特征圖也可以看做特征向量。隨后特征圖經(jīng)過一個3*3的卷積，得到一個13*13*256的特征圖，然后經(jīng)過兩次1*1的卷積，分別得到13*13*（2*9）、13*13*（4*9）的特征圖，前者用來表示候選框背景和前景的得分，后者主要用來邊框回歸，至此再結(jié)合之前預(yù)定義的錨點（Anchors），經(jīng)過非極大值抑制（NMS）方法得到候選框[44]。RPN執(zhí)行粗略的分類操作和邊框回歸操作，將初期篩選的結(jié)果送給RoiPooling層，然后由RoiPooling層執(zhí)行更精確的分類操作和邊框回歸操作，圖2-2就是RPN工作的示意圖。圖2-2RPN工作示意圖圖2-3RPN計算方法具體將圖片經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)得到高級抽象表示的特征圖后，經(jīng)過圖上的滑


本文編號：3409392