目標檢測是計算機視覺領域的一個研究熱點,它實現(xiàn)圖像中目標的定位與分類。目標檢測在生活中的應用比較廣泛,生活中的目標具有多尺度性,不同尺度目標給目標檢測帶來了一定的難度。目前絕大多數(shù)的目標檢測算法都使用深度神經(jīng)網(wǎng)絡,但由于網(wǎng)絡較深,對小目標的檢測分類不利。因此,本文為了解決多尺度目標檢測問題,提高小尺度目標檢測精度,同時減少計算量,主要做了以下工作:(1)首先介紹目標檢測的研究背景及意義,簡述深度神經(jīng)網(wǎng)絡的組成,以及基于候選框的目標識檢測過程。指出目前多尺度目標檢測是生活中的常見檢測問題,而多尺度目標檢測存在一定的難點,常用的深度神經(jīng)網(wǎng)絡最后一層特征不能很好的表示出小目標的位置,忽略了小目標問題。本文針對多尺度目標檢測的部分難點提出了可行的解決辦法。(2)根據(jù)深度神經(jīng)網(wǎng)絡的特征圖在不同層有不同程度的語義表示,淺層卷積層特征圖與深層卷積層特征圖對不同尺度的目標特征表示有所差異,本文提出精簡的特征金字塔區(qū)域建議網(wǎng)絡(Concise Feature Pyramid Region Proposal Netwotk,CFPRPN)進行多尺度目標檢測算法。它將圖像金字塔和特征金字塔進行單模型結合,對不同尺度的目標在合適的卷積層進行分類和檢測。在得到分類預測框后,進行基于IOU損失的校正定位,最后得到更加精準的目標定位。實驗結果表明,本文方法對于多尺度目標檢測是有效的,特別是對小目標的檢測,有了很大的提高。(3)為了進一步提高多尺度目標的檢測精度,本文將對前文的圖像金字塔和特征金字塔進行多個模型融合,提出了基于模型融合的CFPRPN算法,將小尺度目標模型與CFPRPN模型進行融合,進行多尺度目標的識檢測。進一步提高了小尺度目標的檢測率,得到有效的多尺度目標檢測結果,提高了多尺度目標檢測精度。
【學位單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

圖 2. 3 LeNet 網(wǎng)絡模型Fig 2.3 LeNet network modelAlexNet 網(wǎng)絡是 2012 年由 Alex Krizhevsk[19]提出并將它應用到 ImageNet 圖像分類競賽中獲得了第一名。AlexNet 的網(wǎng)絡模型如圖 2.4 所示，AlexNet 網(wǎng)絡相對于 LeNet，在數(shù)據(jù)處理方面，它使用了數(shù)據(jù)增強技術，包括圖片水平翻轉，隨機裁剪和平移變換等。同時它對數(shù)據(jù)增強后的圖片進行局部歸一化 LRN，提高模型的泛化能力。在激活函數(shù)方面，AlexNet 網(wǎng)絡使用 ReLU 激活函數(shù)來代替 sigmoid 函數(shù)和 tanh 函數(shù)，解決了梯度消失問題。在池化層方面，它選擇的是最大池化方式，這使得提取的特征更加明顯，而且池化層采用的是覆蓋池化，池化核大小大于步長，這使得網(wǎng)絡不容易過擬合。同時在訓練時使用 dropout 函數(shù)，對于某一層神經(jīng)元，隨機忽略一部分神經(jīng)元，保持輸入和輸出神經(jīng)元個數(shù)不變，更新參數(shù)，再次訓練時依舊隨機忽略部分神經(jīng)元，dropout 函數(shù)應用也能防止模型的過擬合。AlexNet 型的成功應用，掀起了神經(jīng)網(wǎng)絡的熱潮。

圖 2. 3 LeNet 網(wǎng)絡模型Fig 2.3 LeNet network modelAlexNet 網(wǎng)絡是 2012 年由 Alex Krizhevsk[19]提出并將它應用到 ImageNet 圖像分類競賽中獲得了第一名。AlexNet 的網(wǎng)絡模型如圖 2.4 所示，AlexNet 網(wǎng)絡相對于 LeNet，在數(shù)據(jù)處理方面，它使用了數(shù)據(jù)增強技術，包括圖片水平翻轉，隨機裁剪和平移變換等。同時它對數(shù)據(jù)增強后的圖片進行局部歸一化 LRN，提高模型的泛化能力。在激活函數(shù)方面，AlexNet 網(wǎng)絡使用 ReLU 激活函數(shù)來代替 sigmoid 函數(shù)和 tanh 函數(shù)，解決了梯度消失問題。在池化層方面，它選擇的是最大池化方式，這使得提取的特征更加明顯，而且池化層采用的是覆蓋池化，池化核大小大于步長，這使得網(wǎng)絡不容易過擬合。同時在訓練時使用 dropout 函數(shù)，對于某一層神經(jīng)元，隨機忽略一部分神經(jīng)元，保持輸入和輸出神經(jīng)元個數(shù)不變，更新參數(shù)，再次訓練時依舊隨機忽略部分神經(jīng)元，dropout 函數(shù)應用也能防止模型的過擬合。AlexNet 型的成功應用，掀起了神經(jīng)網(wǎng)絡的熱潮。

ogleNet 引入分類節(jié)點，它將中間某層輸出作為分類，并且以一定的權重加的分類結果中。GoogleNet 比 VGGNet 更深，它是 22 層深的網(wǎng)絡。Goog模型進行了多次改進，因此它有四個版本，GoogleNet V1 到 GoogleNet V4通過卷積分解，降低特征圖的大小，還與后面 ResNet 網(wǎng)絡的殘差塊的結了一個穩(wěn)健的 GoogleNet 網(wǎng)絡。第二章 目標檢測相關理論
【相似文獻】

相關期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強化學習的目標檢測算法[J];軟件導刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標檢測算法[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標檢測算法分析[J];測繪科學;2012年01期

4 張桂林，熊艷，曹偉，李強;一種評價自動目標檢測算法性能的方法[J];華中理工大學學報;1994年05期

5 許云;李彬;;基于背景遺傳模型的運動目標檢測算法[J];自動化技術與應用;2017年03期

6 杜佳;宋春林;;一種改進的毫米波雷達多目標檢測算法[J];通信技術;2015年07期

7 諸葛霞;向健勇;;基于分形特征的目標檢測算法概述及仿真[J];紅外技術;2006年10期

8 張寬;滕國偉;;基于位置預測的目標檢測算法[J];電子測量技術;2019年19期

9 丁業(yè)兵;;運動目標檢測算法綜述[J];科技資訊;2019年30期

10 方路平;何杭江;周國民;;目標檢測算法研究綜述[J];計算機工程與應用;2018年13期

相關博士學位論文 前10條

1 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學;2018年

2 趙紅燕;被動多基站雷達目標檢測算法研究[D];西安電子科技大學;2017年

3 郭小路;多通道雷達干擾抑制與目標檢測算法研究[D];西安電子科技大學;2017年

4 李健;星載寬幅SAR及目標檢測算法研究[D];西安電子科技大學;2018年

5 潘雪莉;機載環(huán)視SAR海面特性和艦船目標檢測算法研究[D];西安電子科技大學;2018年

6 陳宇環(huán);聯(lián)合時空特征的視覺顯著目標檢測算法研究[D];深圳大學;2018年

7 曾冬冬;視頻監(jiān)控中的前景目標檢測算法研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

8 王志虎;基于顯著性的運動目標檢測算法研究[D];國防科學技術大學;2015年

9 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學習與特征聯(lián)想的過程[D];中國科學技術大學;2014年

10 王俊強;圖像中人體目標檢測算法研究[D];北京郵電大學;2012年

相關碩士學位論文 前10條

1 劉業(yè)鵬;基于深度學習的輸電線路目標檢測方法研究[D];華北電力大學;2019年

2 張江勇;基于深度學習的動車關鍵部位故障圖像檢測[D];電子科技大學;2019年

3 王威;基于視覺的車輛智能檢測技術的研究[D];電子科技大學;2019年

4 魏墨非;基于深度學習目標檢測的優(yōu)化研究與實現(xiàn)[D];電子科技大學;2019年

5 侯小春;基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究[D];電子科技大學;2019年

6 石齊雙;城市管理案件圖像目標檢測算法研究[D];桂林電子科技大學;2019年

7 莫燁;基于生成對抗網(wǎng)絡的復雜環(huán)境目標檢測算法研究[D];桂林電子科技大學;2019年

8 徐首韜;基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究[D];合肥工業(yè)大學;2019年

9 方璐;基于深度神經(jīng)網(wǎng)絡的多尺度目標檢測算法研究[D];合肥工業(yè)大學;2019年

10 王曉蕓;基于OpenCL的深度學習目標檢測算法加速方法研究[D];北京交通大學;2019年

本文編號：2880189