目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)重要研究問(wèn)題,并被廣泛應(yīng)用到智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、人機(jī)互動(dòng)以及醫(yī)學(xué)導(dǎo)航手術(shù)等眾多領(lǐng)域。近年來(lái),深度學(xué)習(xí)方法在眾多領(lǐng)域中表現(xiàn)出優(yōu)異的效果,尤其是在計(jì)算機(jī)視覺(jué)領(lǐng)域取得了巨大的突破。目前,在絕大多數(shù)視覺(jué)任務(wù)中,基于深度神經(jīng)網(wǎng)絡(luò)的方法都處于領(lǐng)先地位。以Fast R-CNN、Faster R-CNN等為代表的檢測(cè)框架開(kāi)啟了物體自動(dòng)檢測(cè)算法的熱潮。并且,由于多數(shù)研究者側(cè)重于提高檢測(cè)算法的精度,因此為了提取更加復(fù)雜的特征,深度網(wǎng)絡(luò)的層數(shù)呈現(xiàn)出指數(shù)級(jí)的增長(zhǎng),成百上千層的網(wǎng)絡(luò)應(yīng)運(yùn)而生。然而,這些基于深度神經(jīng)網(wǎng)絡(luò)的檢測(cè)算法對(duì)硬件的存儲(chǔ)能力和計(jì)算能力都有著較高的要求。因此,盡管基于深度神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)算法在精度上顯著超過(guò)傳統(tǒng)算法,但其巨大的存儲(chǔ)和計(jì)算代價(jià)為其在移動(dòng)端或嵌入式設(shè)備等資源受限平臺(tái)上的部署帶來(lái)了巨大的挑戰(zhàn)。因此,深度神經(jīng)網(wǎng)絡(luò)模型的壓縮,加速和優(yōu)化成為了學(xué)術(shù)界及工業(yè)界共同關(guān)注的迫切而重要的研究課題。基于這一需求,一些網(wǎng)絡(luò)壓縮算法逐漸被提出。但是目前多數(shù)網(wǎng)絡(luò)壓縮算法會(huì)導(dǎo)致原始模型的性能出現(xiàn)明顯的損失,如分類(lèi)任務(wù)中的精度降低或檢測(cè)任務(wù)中的漏檢率升高。本文介紹了目... 

【文章來(lái)源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

ImageNet分類(lèi)比賽冠軍網(wǎng)絡(luò)Fig.1.1ThechampionnetworksinImageNetclassification

描述圖像顏色信息的 LUV 特征[7],[9]，描述圖像局部信息的 SIFT 特征[6]等。隨后ChnFtrs[7]、ACF[8]等方法提出使用 10 個(gè)通道特征（LUV 三個(gè)顏色通道、HOG 梯度幅值通道及 6 個(gè)梯度方向通道）來(lái)描述目標(biāo)特性。這些工作也充分表明豐富的特征對(duì)于提高算法檢測(cè)性能有著明顯的幫助，因此檢測(cè)算法逐漸從基于單一特征發(fā)展為基于多類(lèi)特征。然而，基于手工設(shè)計(jì)特征的傳統(tǒng)目標(biāo)檢測(cè)算法需要工作者具有豐富的特征設(shè)計(jì)經(jīng)驗(yàn)，并且手工設(shè)計(jì)的特征表達(dá)能力有限。因此，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法[10]得到廣泛關(guān)注并取得了巨大的成功。R-CNN Fast R-CNN Faster R-CNN YOLO

縮放等預(yù)處理到統(tǒng)一尺寸，然后使用 VGG 網(wǎng)絡(luò)為候選框提取固定長(zhǎng)度的特征向量，最終使用 SVM 分類(lèi)器對(duì)各個(gè)候選框的物體進(jìn)行分類(lèi)及位置回歸。具體的算法流程如下圖 2-2 所示。盡管 R-CNN 算法成功地超越了多數(shù)傳統(tǒng)檢測(cè)算法，但整個(gè)算法具有重復(fù)計(jì)算，多階段訓(xùn)練的問(wèn)題，步驟繁瑣，訓(xùn)練耗時(shí)，占用磁盤(pán)空間大。


本文編號(hào)：2996830