廣告牌作為一種傳統(tǒng)而經(jīng)典的廣告投放模式,具有受眾廣泛,投放便利,觀看人員流動(dòng)性大,職業(yè)和人群針對(duì)性強(qiáng)等特征,一直是廣告宣傳的重要方式。在掃碼支付的流行風(fēng)潮中,如何保持廣告牌的經(jīng)典活力,成為廣告商和監(jiān)管部門關(guān)注的要點(diǎn)。論文基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù),仍然以某企業(yè)廣告牌識(shí)別的需求為背景,在本課題組先期以傳統(tǒng)算法為核心的工作基礎(chǔ)上,本文引入基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法模型展開研究。首先,本文研究了建立相應(yīng)系統(tǒng)所采取的各項(xiàng)技術(shù)和識(shí)別圖像所具有的基本流程;第二,分析了在移動(dòng)平臺(tái)上進(jìn)行針對(duì)廣告牌識(shí)別的具體需求,以及適應(yīng)復(fù)雜應(yīng)用環(huán)境和實(shí)時(shí)準(zhǔn)確性的要求;第三,在上述研究和分析的基礎(chǔ)上提出了將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型拆分并分配至客戶端與服務(wù)端的識(shí)別系統(tǒng)方案;第四,論文對(duì)該方案進(jìn)行了詳細(xì)的設(shè)計(jì)并具體實(shí)現(xiàn)了C/S架構(gòu)的廣告牌實(shí)時(shí)識(shí)別系統(tǒng);最后,論文對(duì)所涉及實(shí)現(xiàn)的系統(tǒng)進(jìn)行了相關(guān)測(cè)試,測(cè)試表明該系統(tǒng)通過改造拆分tiny-yolo模型,在客戶端進(jìn)行一定層數(shù)的卷積運(yùn)算,避免了大規(guī)模數(shù)據(jù)上傳,與傳統(tǒng)算法和非分割型神經(jīng)網(wǎng)絡(luò)算法相比執(zhí)行效率有所提升,達(dá)到了實(shí)時(shí)性的性能要求,也能應(yīng)對(duì)復(fù)雜拍攝環(huán)境。 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

一個(gè)標(biāo)準(zhǔn)的神經(jīng)元和一個(gè)標(biāo)準(zhǔn)的三層神經(jīng)網(wǎng)絡(luò)模型

[18]，作為一個(gè)標(biāo)志性的模型，其具有許多特色和優(yōu)勢(shì)。該體系最終模型如圖 2-2 所示。圖 2-2 R-CNN 體系的目前最終成果，F(xiàn)aster R-CNN從圖 2-2 模型可以看出，其卷積網(wǎng)絡(luò)不再局限于前五層，RoI 機(jī)制也被獨(dú)立的目標(biāo)區(qū)域提取網(wǎng)絡(luò)所取代，根據(jù)目標(biāo)區(qū)域提取網(wǎng)絡(luò)返回的結(jié)果，回到特征圖截取指定區(qū)域，再經(jīng)過處理后，作為分類器的輸入。這樣的做法同時(shí)保證了區(qū)域提取網(wǎng)絡(luò)輸入的相對(duì)穩(wěn)定，目標(biāo)識(shí)別區(qū)域的高效率提取以及有針對(duì)性的目標(biāo)物體識(shí)別，從而使 Faster R-CNN 具有了其獨(dú)特的優(yōu)勢(shì)，即使在被提出數(shù)年后仍在許多領(lǐng)域有重要的應(yīng)用

也保證了其所提供的代碼的健壯性和可移植性；OpenCV 向真實(shí)世界的實(shí)際應(yīng)用環(huán)境提供支持，充分利用了 C 語言高效執(zhí)行的優(yōu)勢(shì)。在本文的應(yīng)用環(huán)境里，OpenCV主要用于提供圖像采集先期處理所使用的標(biāo)準(zhǔn)函數(shù)，并輔助 CUDA 為神經(jīng)網(wǎng)絡(luò)的執(zhí)行提供加速。主流圖像處理手段，含神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)模式，在使用不同常見類庫進(jìn)行實(shí)現(xiàn)時(shí)的性能對(duì)比如圖 2-3 所示。

【參考文獻(xiàn)】：
期刊論文
[1]面向邊緣計(jì)算的嵌入式FPGA卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建方法[J]. 盧冶,陳瑤,李濤,蔡瑞初,宮曉利.  計(jì)算機(jī)研究與發(fā)展. 2018(03)
[2]面向網(wǎng)絡(luò)邊緣應(yīng)用的新一代神經(jīng)網(wǎng)絡(luò)——微型二值神經(jīng)網(wǎng)絡(luò)在保持低功耗的同時(shí)減少對(duì)存儲(chǔ)器的需求[J]. Hussein Osman.  電子產(chǎn)品世界. 2018(01)
[3]基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法[J]. 楊陽,張文生.  數(shù)據(jù)采集與處理. 2015(01)
[4]超分辨率圖像重建方法綜述[J]. 蘇衡,周杰,張志浩.  自動(dòng)化學(xué)報(bào). 2013(08)
[5]我國(guó)網(wǎng)絡(luò)廣告市場(chǎng)現(xiàn)狀及發(fā)展趨勢(shì)[J]. 馬艷.  今傳媒. 2009(02)
[6]高斯濾波穩(wěn)健性能的研究與改進(jìn)[J]. 李惠芬,蔣向前,李柱.  儀器儀表學(xué)報(bào). 2004(05)

博士論文
[1]基于深度學(xué)習(xí)的圖像特征學(xué)習(xí)和分類方法的研究及應(yīng)用[D]. 馮子勇.華南理工大學(xué) 2016

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路場(chǎng)景物體檢測(cè)方法研究[D]. 孫貴賓.北方工業(yè)大學(xué) 2017



本文編號(hào)：2971164