隨著5G、AI時代的到來,智能視覺傳感網(wǎng)絡系統(tǒng)得到快速發(fā)展,在新零售、城市大腦、工業(yè)物聯(lián)網(wǎng)等多個領域均展現(xiàn)出巨大潛力。在實際應用場景中,深度學習依賴海量數(shù)據(jù),采集標注成本高;同時應用場景一般要求算法精度高、檢測結果反饋時延低,還要求支持部署大規(guī)模識別庫。針對以上難點,本文提出采用云端和邊緣計算結合的架構模式,將部分計算過程前置到邊緣端計算處理器上,在感知前端對海量非結構化的圖像數(shù)據(jù)完成目標檢測工作,然后將獲取的檢測目標送往云端識別處理,以此來降低時延、提高識別精度并支持大規(guī)模識別庫的部署;同時,通過合成方法獲得整個檢測識別算法訓練所需要的數(shù)據(jù),可以顯著地降低數(shù)據(jù)采集成本。整體方案框架包括數(shù)據(jù)合成、多目標檢測、細粒度分類三大模塊,具體方法如下:數(shù)據(jù)合成方法包括圖像分割網(wǎng)絡M-Unet（Multi-path Dilated Convolution U-Net）算法、圖像合成策略、CycleGan（Generative Adversarial Networks）算法。本文提出的M-Unet相比于傳統(tǒng)的U-Net網(wǎng)絡,增加多支路空洞卷積并聯(lián)模塊（Multi-path Dilated Convol...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
主要符號對照表
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容及意義
    1.4 論文組織結構
第二章 智能視覺傳感網(wǎng)絡的網(wǎng)絡架構及算法理論
    2.1 智能視覺傳感網(wǎng)絡
        2.1.1 智能視覺傳感網(wǎng)絡簡介
        2.1.2 零售場景智能視覺傳感系統(tǒng)
        2.1.3 硬件介紹
    2.2 卷積神經(jīng)網(wǎng)絡算法理論
        2.2.1 卷積層
        2.2.2 激活層
        2.2.3 池化層
        2.2.4 Softmax分類器
        2.2.5 卷積神經(jīng)網(wǎng)絡的優(yōu)化器
    2.3 卷積神經(jīng)網(wǎng)絡中的前向傳播算法與反向傳播算法
        2.3.1 前向傳播算法
        2.3.2 反向傳播算法
    2.4 本章小結
第三章 基于M-Unet圖像分割網(wǎng)絡的數(shù)據(jù)合成算法
    3.1 引言
    3.2 融合圖像分割、換域及組合策略的數(shù)據(jù)合成算法框架
    3.3 圖像分割方法
    3.4 M-Unet分割算法設計
        3.4.1 M-Unet網(wǎng)絡結構
        3.4.2 MPDC模塊
        3.4.3 LKCD模塊
        3.4.4 損失函數(shù)
    3.5 M-Unet實驗結果與分析
        3.5.1 數(shù)據(jù)集介紹
        3.5.2 數(shù)據(jù)預處理
        3.5.3 評價指標
        3.5.4 實驗結果
    3.6 基于CycleGan對抗生成網(wǎng)絡的圖像合成算法
        3.6.1 CycleGan網(wǎng)絡框架
        3.6.2 損失函數(shù)
        3.6.3 實驗結果
    3.7 本章小結
第四章 基于正負樣本優(yōu)化策略的M-FPN檢測方法
    4.1 檢測算法框架
        4.1.1 兩階段檢測框架
        4.1.2 一階段檢測框架
    4.2 基于正負樣本優(yōu)化策略的FPN目標檢測方法
        4.2.1 特征金字塔網(wǎng)絡(FPN)
        4.2.2 FPN正負樣本優(yōu)化策略的設計
        4.2.3 M-FPN實驗結果
    4.3 基于合成數(shù)據(jù)的實驗結果分析
        4.3.1 實驗數(shù)據(jù)
        4.3.2 實驗設置
        4.3.3 實驗評價指標
        4.3.4 實驗結果
    4.4 本章小結
第五章 基于ResNet_FPM的細粒度分類方法
    5.1 方法框架
        5.1.1 ResNet_FPM整體框架
        5.1.2 ResNet網(wǎng)絡
        5.1.3 FPM模塊設計
        5.1.4 FPN多級特征融合
        5.1.5 全局平均池化與最大池化
        5.1.6 損失函數(shù)
    5.2 實驗結果
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 實驗配置
        5.2.3 結果分析
    5.3 本章小結
第六章 總結與展望
    6.1 論文工作總結
    6.2 進一步研究方向
參考文獻
作者攻讀碩士學位期間撰寫的論文和專利
致謝



本文編號：4025507