發(fā)布時間：2024-05-07 22:10

　　目標檢測作為計算機視覺的基本技術(shù),旨在對圖像中預定義目標類的所有實例進行定位和分類。當前,雖然一些主流的目標檢測算法在檢測的精度和速度上取得了較好成果,但依然存在目標特征信息利用不充分、檢測結(jié)果中目標的分類置信度與定位精度間缺乏一致性的問題。而注意力模型能夠輔助網(wǎng)絡(luò)關(guān)注目標區(qū)域并提升網(wǎng)絡(luò)對目標信息的利用度,因此為解決上述問題,論文研究了基于注意力模型的目標檢測,提出了基于注意力圖的非最大化抑制(Non-Maximum Suppression,NMS)優(yōu)化算法和基于空間注意力圖的目標檢測優(yōu)化算法。論文的主要工作,可以概括為:(1)非最大化抑制算法是實現(xiàn)目標定位的關(guān)鍵步驟,但算法會抑制一些定位精度高但置信度較低的邊界框。為解決這一問題,論文提出了一種基于注意力圖的非最大化抑制優(yōu)化算法。通過反向傳播目標的高層語義信息重構(gòu)目標特征,并對其加權(quán)生成目標注意力圖,然后將檢測邊界框的感興趣概率(指歸一化注意力圖上所包含區(qū)域的概率累加值)和分類置信度進行加權(quán)得到感興趣分數(shù),將其作為非最大化抑制算法的排序關(guān)鍵字可以獲得目標的最佳邊界框。基于PASCAL VOC2007、PASCAL VOC2012和MS...

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

圖1-3基于深度學習自編碼器AE最早由Rumelhart等(R

遙感影像敏感目標自動檢測與隱藏方法研究-13-基于深度學習的圖像修復方法基于自編碼的方法基于生成模型的方法基于網(wǎng)絡(luò)結(jié)構(gòu)的方法基于網(wǎng)絡(luò)優(yōu)化的方法基于結(jié)構(gòu)信息約束的方法基于注意力機制的方法圖1-3基于深度學習的圖像修復方法分類自編碼器AE最早由Rumelhart等(RUMELHART....

圖1-3基于深度學習的圖像修復方法分類自編碼器AE最早由Rumelhart等(RUMELHART等.1988)于1986年提出

遙感影像敏感目標自動檢測與隱藏方法研究-13-基于深度學習的圖像修復方法基于自編碼的方法基于生成模型的方法基于網(wǎng)絡(luò)結(jié)構(gòu)的方法基于網(wǎng)絡(luò)優(yōu)化的方法基于結(jié)構(gòu)信息約束的方法基于注意力機制的方法圖1-3基于深度學習的圖像修復方法分類自編碼器AE最早由Rumelhart等(RUMELHART....

圖1-3基于深度學習自編碼器AE最早由Rumelhart等(R

遙感影像敏感目標自動檢測與隱藏方法研究-13-基于深度學習的圖像修復方法基于自編碼的方法基于生成模型的方法基于網(wǎng)絡(luò)結(jié)構(gòu)的方法基于網(wǎng)絡(luò)優(yōu)化的方法基于結(jié)構(gòu)信息約束的方法基于注意力機制的方法圖1-3基于深度學習的圖像修復方法分類自編碼器AE最早由Rumelhart等(RUMELHART....

圖5-4基于注意力機制的墻面缺陷檢測方法

第五章墻面缺陷檢測方法研究圖5-4基于注意力機制的墻面缺陷檢測方法表5-1目標檢測算法目標檢測算法是否需要bboxFasterR-CNN是Yolo是SSD是主動視覺模型否本文中定義檢測點位置位于缺陷內(nèi)則為檢測到缺陷，分類正確視為檢測正確。在墻面缺陷檢測任務(wù)中，基于注意力機制的墻面....

本文編號：3967060