近十年來,深度學習在理論和工程上都取得了顯著的成果,如圖像識別、目標檢測、自然語言處理等。而在深度學習應用到目標檢測之前,傳統(tǒng)目標檢測的特征提取部分需要人工設計特征,但在面臨目標特征多樣繁雜的場景時,人工設計特征的難度會變得很大�；谏疃葘W習的目標檢測則不需要人工設計特征,而是通過卷積神經網絡學習特征。它從基于區(qū)域提名的R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN到端到端的YOLO、SSD,識別精度和識別速率都已經遠遠超過傳統(tǒng)目標檢測方法。如今已應用在無人駕駛、車輛檢測和行人檢測等領域。目前,大多數(shù)基于深度學習的目標檢測模型由于體積太大,無法在嵌入式計算平臺上直接實現(xiàn)前向推理,并且通常的工作模式是“嵌入式計算平臺-云計算-嵌入式計算平臺”,即先在嵌入式計算平臺上采集需要檢測的圖像或視頻;然后通過網絡傳送到云端服務器,利用基于深度學習的目標檢測模型對圖像或視頻進行檢測;最后檢測結果被傳輸回嵌入式計算平臺。這種工作模式不僅會導致整體對網絡的依賴過大,而且會造成結果顯示的延時。針對這一問題,本文對基于深度學習的目標檢測優(yōu)化算法進行研究。本文主要研究內... 

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖１．１?ＩｍａｇｅＮｅｔ圖像分類競賽成績??

ＲｅｓＮｅｔ等，模型性能不斷提高。下面主要介紹ＬｅＮｅｔ、ＡｌｅｘＮｅｔ、??ＧｏｏｇＬｅＮｅｔ?和?ＲｅｓＮｅｔ。??２．１．１?ＬｅＮｅｔ??ＬｅＮｅｔ模型是ＹａｎＬｅＣｕｎ在１９９８年提出的，它主要用于識別手寫數(shù)字。最??初的ＬｅＮｅｔ－５模型主要由卷積層、池化層和全連接層構成。??其中卷積層主要操作是將多個濾波器作用在輸入圖像上，提取圖像中不同特??征，其中的濾波器被稱為卷積核，而通過卷積操作后輸出的圖像稱為特征圖。以??二維卷積層為例：假設輸入是高和寬都為３的二維數(shù)組，如圖２．１中的輸入所示；??其對應的卷積核是高和寬均為２的數(shù)組，如圖２．１中的卷積核所示。??輸入?卷積核?輸出??圓冊國??圖２．１卷積操作??假設每做一次卷積，當卷積步長為１?（即卷積核移動一個像素）時，卷積核??會從輸入數(shù)組的最左上方開始，按從左往右、從上往下的順序，依次在輸入數(shù)組??上滑動。卷積核每滑動一個位置，相對應的輸入子數(shù)組與卷積核按元素會相乘并??相加，最后得到輸出數(shù)組相對應的值。當卷積核移動到輸入數(shù)組的左上方時，如??圖２．１中的藍色部分所示，輸出數(shù)組的值為１Ｘ０＋２Ｘ１＋４Ｘ２＋５Ｘ３＝２５，卷積操??作的整體輸出如圖２．１中的輸出所示。??二維卷積層是在圖２．１中的輸出上加一個標量偏差（ｂｉａｓ）。卷積層的模型參數(shù)??８??

圖２．３最大池化與平均池化??

【參考文獻】：
期刊論文
[1]基于YOLO2和ResNet算法的監(jiān)控視頻中的人臉檢測與識別[J]. 朱超平,楊藝.  重慶理工大學學報(自然科學). 2018(08)
[2]基于Haar特性的改進HOG的人臉特征提取算法[J]. 蔣政,程春玲.  計算機科學. 2017(01)
[3]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動化學報. 2016(10)
[4]LBP和HOG的分層特征融合的人臉識別[J]. 萬源,李歡歡,吳克風,童恒慶.  計算機輔助設計與圖形學學報. 2015(04)
[5]基于樹莓派的網絡監(jiān)控系統(tǒng)的研究與實現(xiàn)[J]. 汪鑫,彭雨薇.  硅谷. 2014(14)
[6]AdaBoost算法研究進展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學報. 2013(06)
[7]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[8]基于單類SVM的遙感圖像目標檢測[J]. 王凱峰,秦前清.  計算機工程與應用. 2005(32)

碩士論文
[1]基于輕量級計算平臺的卷積神經網絡研究[D]. 王磊.電子科技大學 2018
[2]智能車牌識別系統(tǒng)的實現(xiàn)與優(yōu)化[D]. 姜曉.東華大學 2017
[3]基于FPGA的Adaboost人臉檢測算法設計與驗證[D]. 龐偉.東南大學 2017
[4]基于深度神經網絡的肌電信號降維與分類方法[D]. 陳波.東華大學 2017
[5]基于Adaboost算法和膚色分割的人臉檢測算法[D]. 劉丹利.西北師范大學 2014
[6]基于HOG和Haar-like融合特征的車輛檢測[D]. 楊慧.南京郵電大學 2013



本文編號：3646945