發(fā)布時(shí)間：2022-01-12 08:03

　　近年來(lái),隨著目標(biāo)檢測(cè)領(lǐng)域的多樣化進(jìn)步,一定程度上為智慧交通、智能定位、智慧工廠等一系列新型產(chǎn)業(yè)的發(fā)展提供了技術(shù)理論基礎(chǔ)。在當(dāng)今萬(wàn)物互聯(lián)的大環(huán)境下,移動(dòng)終端設(shè)備呈現(xiàn)爆炸式增長(zhǎng)趨勢(shì),給人們工作和生活帶來(lái)了巨大便捷。但是移動(dòng)端設(shè)備資源有限,難以處理耗費(fèi)大量系統(tǒng)資源的目標(biāo)檢測(cè)任務(wù)。若能對(duì)原本工作在大型服務(wù)器下的目標(biāo)檢測(cè)算法通過(guò)一系列模型壓縮、加速與優(yōu)化方法處理優(yōu)化,使之能更快更小的部署到移動(dòng)端設(shè)備上,有助于目標(biāo)檢測(cè)算法落地及推廣。目前已有很多學(xué)者關(guān)于目標(biāo)檢測(cè)輕量級(jí)部署展開(kāi)了研究并取得了預(yù)期成果,但仍存在一定的挑戰(zhàn)性問(wèn)題亟需解決。通過(guò)研究現(xiàn)有常用的模型壓縮優(yōu)化方法,本文針對(duì)常見(jiàn)目標(biāo)檢測(cè)算法做了一定的改進(jìn)升級(jí),具體研究?jī)?nèi)容如下:1.針對(duì)第三代快速實(shí)時(shí)目標(biāo)檢測(cè)（YOLOv3）算法中,小尺度目標(biāo)檢測(cè)效果、精確度不佳及批處理尺寸大小嚴(yán)重影響模型訓(xùn)練等問(wèn)題,提出了一種新型的改進(jìn)優(yōu)化方法。首先通過(guò)融合雙向特征金字塔網(wǎng)絡(luò)（BiFPN）結(jié)構(gòu)和濾波器響應(yīng)歸一化（FRN）技術(shù),旨在提高傳統(tǒng)YOLOv3算法的精確度;其次借助于第二代洗牌網(wǎng)絡(luò)（ShuffleNetv2）,完成模型空間的壓縮及推理速度的提升;最后在COC... 

【文章來(lái)源】：蘭州理工大學(xué)甘肅省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 模型壓縮及加速
        1.2.2 目標(biāo)檢測(cè)
    1.3 研究?jī)?nèi)容與結(jié)構(gòu)安排
        1.3.1 論文內(nèi)容安排
        1.3.2 論文結(jié)構(gòu)安排
第2章 相關(guān)理論介紹
    2.1 深度學(xué)習(xí)發(fā)展歷程
    2.2 卷積神經(jīng)網(wǎng)絡(luò)基本介紹
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 非線性激活層
        2.2.4 全連接層
    2.3 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu)
        2.3.1 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 VGG網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.3 ResNet網(wǎng)絡(luò)結(jié)構(gòu)
    2.4 模型壓縮加速方法基本介紹
        2.4.1 蒸餾
        2.4.2 量化
        2.4.3 剪枝
        2.4.4 輕量級(jí)網(wǎng)絡(luò)
    2.5 目標(biāo)檢測(cè)算法
        2.5.1 YOLOv3算法
        2.5.2 Faster-RCNN算法
    2.6 本章小結(jié)
第3章 YOLOV3模型的改進(jìn)與優(yōu)化
    3.1 引言
    3.2 雙向特征金字塔網(wǎng)絡(luò)
    3.3 濾波器響應(yīng)歸一化
    3.4 基于雙向特征金字塔和濾波器響應(yīng)歸一化的改進(jìn)模型
        3.4.1 整體模型設(shè)計(jì)
        3.4.2 模型網(wǎng)絡(luò)層的構(gòu)建和訓(xùn)練
    3.5 實(shí)驗(yàn)結(jié)果與算法性能分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)
        3.5.2 多尺度特征融合方法性能對(duì)比
        3.5.3 各歸一化方法對(duì)于批處理尺寸性能對(duì)比
        3.5.4 DBL與 DFL性能對(duì)比
        3.5.5 各輕量級(jí)網(wǎng)絡(luò)性能對(duì)比
    3.6 本章小結(jié)
第4章 Faster-RCNN模型壓縮與加速
    4.1 引言
    4.2 新型剪枝方法
    4.3 融合量化的知識(shí)蒸餾方法
    4.4 基于新型剪枝和融合量化的知識(shí)蒸餾方法的優(yōu)化模型
        4.4.1 整體模型設(shè)計(jì)
        4.4.2 模型網(wǎng)絡(luò)層的構(gòu)建與訓(xùn)練
    4.5 實(shí)驗(yàn)結(jié)果與算法性能分析
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)
        4.5.2 各種剪枝方法性能對(duì)比
        4.5.3 知識(shí)蒸餾系數(shù)lamda取值性能對(duì)比
        4.5.4 各種壓縮加速方法性能對(duì)比
    4.6 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于通道重排的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)[J]. 徐晗智,艾中良,張志超.  計(jì)算機(jī)與現(xiàn)代化. 2020(02)
[2]基于改進(jìn)YOLOv3的目標(biāo)識(shí)別方法[J]. 陳正斌,葉東毅,朱彩霞,廖建坤.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020(01)
[3]基于濾波器注意力機(jī)制與特征縮放系數(shù)的動(dòng)態(tài)網(wǎng)絡(luò)剪枝[J]. 盧海偉,夏海峰,袁曉彤.  小型微型計(jì)算機(jī)系統(tǒng). 2019(09)
[4]基于改進(jìn)YOLOv3-LITE輕量級(jí)神經(jīng)網(wǎng)絡(luò)的柑橘識(shí)別方法[J]. 呂石磊,盧思華,李震,洪添勝,薛月菊,吳奔雷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(17)
[5]基于分組殘差結(jié)構(gòu)的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[J]. 李鵬,蔣品群,曾上游,夏海英,廖志賢,范瑞.  微電子學(xué)與計(jì)算機(jī). 2019(07)
[6]基于知識(shí)蒸餾的超分辨率卷積神經(jīng)網(wǎng)絡(luò)壓縮方法[J]. 高欽泉,趙巖,李根,童同.  計(jì)算機(jī)應(yīng)用. 2019(10)
[7]一種基于Lasso回歸與SVD融合的深度學(xué)習(xí)模型壓縮方法[J]. 吳進(jìn),吳漢寧,劉安,李聰,李喬深.  電訊技術(shù). 2019(05)
[8]深度學(xué)習(xí)和迭代量化在圖像檢索中的應(yīng)用研究[J]. 甄俊杰,應(yīng)自爐,趙毅鴻,黃尚安.  信號(hào)處理. 2019(05)
[9]改進(jìn)的YOLO V3算法及其在小目標(biāo)檢測(cè)中的應(yīng)用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學(xué)學(xué)報(bào). 2019(07)
[10]基于改進(jìn)損失函數(shù)的YOLOv3網(wǎng)絡(luò)[J]. 呂鑠,蔡烜,馮瑞.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)

博士論文
[1]智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D]. 袁國(guó)武.云南大學(xué) 2012

碩士論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)及其在智能車駕駛環(huán)境理解的應(yīng)用研究[D]. 溫靜.北京交通大學(xué) 2019
[2]室內(nèi)環(huán)境下人物圖像檢測(cè)與精確計(jì)數(shù)[D]. 趙鑫.國(guó)防科技大學(xué) 2018



本文編號(hào)：3584424