分類與檢測(cè)是計(jì)算機(jī)視覺(jué)中兩類最基本的任務(wù),也是其他復(fù)雜計(jì)算機(jī)視覺(jué)任務(wù)的前提。自計(jì)算機(jī)視覺(jué)這一概念誕生以來(lái),在目標(biāo)檢測(cè)領(lǐng)域獲得高的表現(xiàn)就一直是人們努力的方向。人工神經(jīng)網(wǎng)絡(luò)是較早提出來(lái)的用于處理數(shù)據(jù)處理方法。早期,受限于處理器性能以及神經(jīng)網(wǎng)絡(luò)的全連接結(jié)構(gòu),將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測(cè)任務(wù)的效果不盡如人意。近年來(lái),伴隨著圖形處理器性能的提升以及各種數(shù)據(jù)大量的累積,用人工神經(jīng)網(wǎng)絡(luò)的方式來(lái)執(zhí)行計(jì)算機(jī)視覺(jué)中的目標(biāo)檢測(cè)任務(wù)成為一個(gè)可行的選擇。卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)之后,深度學(xué)習(xí)在目標(biāo)檢測(cè)任務(wù)中不斷取得比已有記錄更好的表現(xiàn),因此,將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于目標(biāo)檢測(cè)已經(jīng)成為一個(gè)研究熱點(diǎn)。本文借鑒已有的深度學(xué)習(xí)方法,采用一定的方法簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu),盡可能地兼顧速度、精度。本文提出一種以YOLO為骨架的一階深度檢測(cè)網(wǎng)絡(luò)。它運(yùn)用可分離卷積的操作。新提出的網(wǎng)絡(luò)較好地兼顧了速度、精度,可以移植到安卓等嵌入式設(shè)備上運(yùn)行。主要研究?jī)?nèi)容如下:1、介紹了目標(biāo)檢測(cè)的發(fā)展歷程、目前的研究現(xiàn)狀,包括目標(biāo)檢測(cè)的任務(wù)、評(píng)價(jià)標(biāo)準(zhǔn)、主要的公開數(shù)據(jù)集,以及目標(biāo)檢測(cè)中所用到的兩大類算法。2、調(diào)查大量的文獻(xiàn),從人工神經(jīng)網(wǎng)絡(luò)的提出、工作機(jī)理到它的發(fā)展歷程逐...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及意義
    1.2 目標(biāo)檢測(cè)的研究現(xiàn)狀
        1.2.1 目標(biāo)檢測(cè)的任務(wù)描述及評(píng)價(jià)標(biāo)準(zhǔn)
        1.2.2 目標(biāo)檢測(cè)的公開數(shù)據(jù)集
        1.2.3 基于圖像處理方法的目標(biāo)檢測(cè)
        1.2.4 基于深度學(xué)習(xí)方法的目標(biāo)檢測(cè)
    1.3 本文主要內(nèi)容
第二章 基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法
    2.1 人工神經(jīng)網(wǎng)絡(luò)的提出
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 基于候選區(qū)域的方法
        2.3.1 R-CNN
        2.3.2 SPP-Net
        2.3.3 Fast-RCNN
        2.3.4 Faster R-CNN
        2.3.5 R-FCN
        2.3.6 Mask R-CNN
    2.4 基于回歸的方法
        2.4.1 YOLO
        2.4.2 SSD
        2.4.3 YOLOv2 以及YOLO9000
        2.4.4 YOLOv3
    2.5 本章小結(jié)
第三章 神經(jīng)網(wǎng)絡(luò)參數(shù)的調(diào)優(yōu)
    3.1 損失函數(shù)
    3.2 反向傳播算法
    3.3 基于梯度下降的優(yōu)化算法
        3.3.1 批梯度下降法
        3.3.2 小批梯度下降法
        3.3.3 隨機(jī)梯度下降法
        3.3.4 帶動(dòng)量的隨機(jī)梯度下降法
        3.3.5 Adagrad梯度下降法
        3.3.6 Adadelta梯度下降法
        3.3.7 Adam梯度下降法
    3.4 梯度爆炸與梯度消失的出現(xiàn)
    3.5 梯度爆炸和梯度消失的解決方案
        3.5.1 預(yù)訓(xùn)練加微調(diào)
        3.5.2 梯度剪切與正則化項(xiàng)
        3.5.3 適當(dāng)?shù)募せ詈瘮?shù)
        3.5.4 批規(guī)范化
        3.5.5 殘差塊
    3.6 本章小結(jié)
第四章 深度神經(jīng)網(wǎng)絡(luò)的壓縮
    4.1 量化
    4.2 低階分解與稀疏化
    4.3 轉(zhuǎn)換/簡(jiǎn)化卷積核
    4.4 知識(shí)蒸餾
    4.5 本章小結(jié)
第五章 部署于安卓平臺(tái)的目標(biāo)檢測(cè)網(wǎng)絡(luò)
    5.1 整體流程
    5.2 網(wǎng)絡(luò)的設(shè)計(jì)
        5.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        5.2.2 損失函數(shù)
    5.3 網(wǎng)絡(luò)的調(diào)優(yōu)
        5.3.1 數(shù)據(jù)集處理
        5.3.2 參數(shù)調(diào)優(yōu)
    5.4 實(shí)驗(yàn)結(jié)果
    5.5 網(wǎng)絡(luò)的部署
    5.6 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文及申請(qǐng)的專利
致謝



本文編號(hào)：3906019