在智能化需求日趨迫切的今天,目標(biāo)檢測作為計算機視覺的一個基礎(chǔ)性任務(wù)受到了尤為廣泛的關(guān)注。對圖像中的感興趣目標(biāo)進行精準(zhǔn)的分類和定位為無人駕駛,無人零售等場景提供了重要的技術(shù)支撐,同時目標(biāo)檢測也為視頻理解提供了重要的研究基礎(chǔ)。作為一個多任務(wù)的學(xué)習(xí)過程,目標(biāo)檢測相較于分類網(wǎng)絡(luò)通常需要更好的特征,卷積神經(jīng)網(wǎng)絡(luò)也在這方面發(fā)揮著巨大的優(yōu)勢,促成包括目標(biāo)檢測在內(nèi)的計算機視覺領(lǐng)域高度發(fā)展。本文基于此做出的工作如下:1.結(jié)合目標(biāo)檢測的研究背景、意義和國內(nèi)外發(fā)展現(xiàn)狀,對傳統(tǒng)經(jīng)典目標(biāo)檢測算法做出的概述,并對基于深度學(xué)習(xí)的目標(biāo)檢測算法進行分類和總結(jié)。通過詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)和目標(biāo)檢測的發(fā)展歷程和相關(guān)理論知識,進一步深入討論了單階段和二階段兩類深度學(xué)習(xí)目標(biāo)檢測算法,并對比分析了它們的應(yīng)用和發(fā)展趨勢。2.基于多尺度特征對不同大小比例目標(biāo)進行預(yù)測的檢測器在性能上已經(jīng)大大超過了基于單一尺度特征的檢測器。同時,特征金字塔結(jié)構(gòu)被用來構(gòu)建所有尺度的高級語義特征圖,從而進一步提高檢測器的性能。但是,這樣的特征圖沒有充分考慮到上下文信息對語義的補充作用。本文在SSD基準(zhǔn)網(wǎng)絡(luò)的基礎(chǔ)上,提出了一種鄰級特征層的融合方法,并精心設(shè)計... 

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的目標(biāo)檢測算法
        1.2.2 深度學(xué)習(xí)的目標(biāo)檢測算法
    1.3 本文的主要內(nèi)容和結(jié)構(gòu)安排
        1.3.1 本文的主要研究內(nèi)容
        1.3.2 本文的結(jié)構(gòu)安排
第二章 目標(biāo)檢測算法與神經(jīng)網(wǎng)絡(luò)理論知識
    2.1 傳統(tǒng)目標(biāo)檢測算法
        2.1.1 Haar+Adaboost
        2.1.2 HOG+SVM
        2.1.3 可形變部件模型
    2.2 神經(jīng)網(wǎng)絡(luò)理論知識
        2.2.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 深度學(xué)習(xí)目標(biāo)檢測
        2.3.1 目標(biāo)檢測數(shù)據(jù)集
        2.3.2 目標(biāo)檢測的評價指標(biāo)
        2.3.3 Anchor box
        2.3.4 非極大值抑制
        2.3.5 常見的深度學(xué)習(xí)目標(biāo)檢測網(wǎng)絡(luò)
第三章 基于多尺度融合特征的目標(biāo)檢測算法
    3.1 引言
    3.2 基于深度學(xué)習(xí)的目標(biāo)檢測
        3.2.1 基于單尺度特征的檢測網(wǎng)絡(luò)
        3.2.2 基于多尺度特征的檢測網(wǎng)絡(luò)
        3.2.3 基于多尺度融合特征的檢測網(wǎng)絡(luò)
    3.3 多尺度特征融合方法
    3.4 實驗結(jié)果分析
        3.4.1 PASCAL VOC2007
        3.4.2 推理時間
    3.5 本章小結(jié)
第四章 結(jié)合多尺度特征融合和殘差注意力機制的目標(biāo)檢測
    4.1 引言
    4.2 注意力機制
        4.2.1 空間注意力機制
        4.2.2 通道注意力
        4.2.3 空間注意力與通道注意力的融合
    4.3 結(jié)合多尺度特征融合和殘差注意力機制的目標(biāo)檢測
    4.4 實驗結(jié)果分析
        4.4.1 PASCAL VOC2007
        4.4.2 推理速度
        4.4.3 消融實驗
        4.4.4 MS COCO
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀碩士學(xué)位期間的學(xué)術(shù)活動及成果情況


【參考文獻】：
期刊論文
[1]視覺注意力檢測技術(shù)研究綜述[J]. 羅元,陳雪峰,毛雪峰,張毅.  半導(dǎo)體光電. 2019(01)
[2]激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中的對比研究[J]. 田娟,李英祥,李彤巖.  計算機系統(tǒng)應(yīng)用. 2018(07)
[3]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測綜述[J]. 吳帥,徐勇,趙東寧.  模式識別與人工智能. 2018(04)



本文編號：3675940