目標(biāo)檢測(cè),即在視頻序列或者圖片中定位出目標(biāo)的所在位置同時(shí)決定其所屬類(lèi)別,是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn),在智能視頻監(jiān)控、無(wú)人駕駛技術(shù)、計(jì)算機(jī)輔助診斷技術(shù)、人臉識(shí)別及人流監(jiān)測(cè)等方面都有著重要的應(yīng)用。然而由于實(shí)際場(chǎng)景中目標(biāo)物體的形變、遮擋、觀察角度和環(huán)境變化等眾多因素的影響,目標(biāo)檢測(cè)仍是一項(xiàng)非常具有挑戰(zhàn)的任務(wù)。而如何設(shè)計(jì)能夠準(zhǔn)確識(shí)別目標(biāo)物體又不受各種外界多樣性因素影響的特征也成為了該領(lǐng)域的研究重點(diǎn)。本文提出一種基于超特征金字塔與對(duì)抗學(xué)習(xí)的目標(biāo)檢測(cè)算法,即Adversar-Hyper Feature Pyramid Networks（A-Hyper FPN）。首先在特征提取階段,本文提出超特征金字塔的概念,通過(guò)多次融合高低卷積層的信息,以便充分提取來(lái)自不同卷積層、不同大小的目標(biāo)特征;此外提出了改進(jìn)的區(qū)域候選網(wǎng)絡(luò),該網(wǎng)絡(luò)采用合理的策略在低層預(yù)測(cè)小目標(biāo),在高層預(yù)測(cè)大目標(biāo),使得整個(gè)區(qū)域候選網(wǎng)絡(luò)更佳完善;同時(shí)根據(jù)目標(biāo)檢測(cè)容易受到遮擋的影響,本文利用對(duì)抗學(xué)習(xí)的思想,提出了Mask網(wǎng)絡(luò),其通過(guò)增加遮擋網(wǎng)絡(luò)主動(dòng)生成數(shù)據(jù),這些數(shù)據(jù)是目標(biāo)檢測(cè)器學(xué)習(xí)的難點(diǎn)示例,不是直接在整個(gè)像素空間中生成數(shù)據(jù),而是專(zhuān)注于生成的... 

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專(zhuān)用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究與發(fā)展現(xiàn)狀
        1.2.1 傳統(tǒng)目標(biāo)檢測(cè)算法
        1.2.2 基于區(qū)域提取的目標(biāo)檢測(cè)算法
        1.2.3 基于端到端的目標(biāo)檢測(cè)算法
    1.3 目標(biāo)檢測(cè)的主要問(wèn)題
    1.4 本文研究?jī)?nèi)容及結(jié)構(gòu)安排
        1.4.1 主要研究?jī)?nèi)容
        1.4.2 論文結(jié)構(gòu)安排
第二章 基礎(chǔ)理論與研究
    2.1 引言
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 神經(jīng)元模型
        2.2.2 人工神經(jīng)網(wǎng)絡(luò)模型
        2.2.3 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 核心概念
        2.3.2 層的概念
    2.4 本章小結(jié)
第三章 經(jīng)典目標(biāo)檢測(cè)算法介紹
    3.1 引言
    3.2 Faster R-CNN
    3.3 SSD
    3.4 實(shí)驗(yàn)對(duì)比
    3.5 本章小結(jié)
第四章 基于超特征金字塔與對(duì)抗學(xué)習(xí)的目標(biāo)檢測(cè)
    4.1 引言
    4.2 超特征金字塔網(wǎng)絡(luò)
        4.2.1 殘差基礎(chǔ)網(wǎng)絡(luò)
        4.2.2 Hyper-FPN
    4.3 改進(jìn)的區(qū)域候選網(wǎng)絡(luò)
    4.4 Mask網(wǎng)絡(luò)
        4.4.1 生成對(duì)抗網(wǎng)絡(luò)
        4.4.2 對(duì)抗學(xué)習(xí)
    4.5 微調(diào)網(wǎng)絡(luò)
        4.5.1 Rol Pooling與Rol Align的聯(lián)合使用
        4.5.2 Soft-NMS
    4.6 綜合訓(xùn)練
第五章 實(shí)驗(yàn)與結(jié)果分析
    5.1 引言
    5.2 實(shí)驗(yàn)平臺(tái)和數(shù)據(jù)
        5.2.1 實(shí)驗(yàn)環(huán)境
        5.2.2 數(shù)據(jù)集介紹
    5.3 實(shí)驗(yàn)的評(píng)價(jià)標(biāo)準(zhǔn)
    5.4 實(shí)驗(yàn)結(jié)果對(duì)比分析
        5.4.1 PASCAL VOC數(shù)據(jù)集的測(cè)試結(jié)果
        5.4.2 DETRAC數(shù)據(jù)集的測(cè)試結(jié)果
第六章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫(xiě)的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專(zhuān)利
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
附錄4 攻讀碩士學(xué)位期間獲得的獎(jiǎng)項(xiàng)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于強(qiáng)化學(xué)習(xí)的無(wú)人駕駛匝道匯入模型[J]. 喬良,鮑泓,玄祖興,梁軍,潘峰.  計(jì)算機(jī)工程. 2018(07)
[2]深度學(xué)習(xí)在無(wú)人駕駛汽車(chē)領(lǐng)域應(yīng)用的研究進(jìn)展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學(xué)報(bào). 2018(01)
[3]智慧城市將迎來(lái)“人工智能”新時(shí)代[J]. 張永民.  中國(guó)建設(shè)信息化. 2016(09)



本文編號(hào)：3717736