機器視覺是工業(yè)生產(chǎn)和人們?nèi)粘Ｉ钪械闹匾M成部分,近年來在自動駕駛、機器人自主定位、人臉檢測等多個領(lǐng)域得到了廣泛的推廣和應(yīng)用。目標檢測是機器視覺領(lǐng)域的一個重要分支,隨著視覺行業(yè)對目標檢測實時性要求的提高,傳統(tǒng)的目標檢測方式已經(jīng)不足以滿足生產(chǎn)生活上人們的需求。隨著大數(shù)據(jù)時代的到來和計算機運算能力的顯著提升,以深度學習為首的智能算法正在日益顛覆日常生活中的一切,卷積神經(jīng)網(wǎng)絡(luò)作為深度學習模型中的一種,在人臉識別領(lǐng)域的準確率達到了97.52%,比人類肉眼更精準,因此結(jié)合深度學習在圖像識別領(lǐng)域的出色表現(xiàn),研究基于深度學習算法的目標檢測具有重要的意義。本文圍繞基于深度神經(jīng)網(wǎng)絡(luò)的目標檢測方法進行研究,針對目標檢測過程中候選區(qū)域的提取,卷積神經(jīng)網(wǎng)絡(luò)采樣層的激活函數(shù),反向傳播過程中的梯度下降法,網(wǎng)絡(luò)學習率和損失函數(shù)進行研究和改進。主要內(nèi)容如下:首先,針對目標提取算法傳統(tǒng)方式遍歷花費時間長,產(chǎn)生冗余候選區(qū)域多的問題上,研究現(xiàn)有的目標候選區(qū)域提取算法,結(jié)合圖像分割算法對基于窮舉法的滑動窗口策略進行改進。通過基于臨近圖的融合算法將圖像分為多個無重疊子區(qū)域,構(gòu)建像素點的坐標,像素點的值的二元函數(shù)精準計算圖像特征... 

【文章來源】：東北石油大學黑龍江省

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
創(chuàng)新點摘要
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 目標檢測研究現(xiàn)狀
        1.2.2 深度神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
    1.3 論文研究的主要內(nèi)容
    1.4 論文安排
第二章 基于圖像分割的目標定位方法改進
    2.1 引言
    2.2 基于滑動窗口的目標定位方法
    2.3 基于圖像分割的目標定位方法
        2.3.1 圖像分割算法
        2.3.2 圖像分割在圖像目標定位上的應(yīng)用
    2.4 本章小結(jié)
第三章 改進的卷積神經(jīng)網(wǎng)絡(luò)
    3.1 引言
    3.2 Alex Net卷積神經(jīng)網(wǎng)絡(luò)參數(shù)選取
    3.3 基于Alex Net的網(wǎng)絡(luò)模型優(yōu)化與改進
        3.3.1 改進網(wǎng)絡(luò)非線性層激活函數(shù)
        3.3.2 基于慣性理論的隨機梯度下降法
        3.3.3 基于自適應(yīng)的網(wǎng)絡(luò)學習率調(diào)整
        3.3.4 基于交叉熵的損失函數(shù)優(yōu)化
    3.4 本章小結(jié)
第四章 基于改進的卷積神經(jīng)網(wǎng)絡(luò)的目標檢測框架及應(yīng)用
    4.1 引言
    4.2 改進的目標檢測框架及訓練方法
        4.2.1 基于改進的目標檢測算法流程
        4.2.2 數(shù)據(jù)的選取與卷積神經(jīng)網(wǎng)絡(luò)的訓練
        4.2.3 目標分類結(jié)果與分析
    4.3 基于遷移學習的網(wǎng)絡(luò)深層結(jié)構(gòu)微調(diào)整
        4.3.1 遷移學習模型
        4.3.2 遷移學習在網(wǎng)絡(luò)模型上的應(yīng)用
    4.4 目標檢測結(jié)果與分析
        4.4.1 目標檢測評價標準及幾種算法的性能比較
        4.4.2 目標檢測結(jié)果分析
    4.5 本章小結(jié)
結(jié)論
參考文獻
發(fā)表文章目錄
致謝


【參考文獻】：
期刊論文
[1]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[2]基于條件生成對抗網(wǎng)絡(luò)的手繪圖像檢索[J]. 劉玉杰,竇長紅,趙其魯,李宗民,李華.  計算機輔助設(shè)計與圖形學學報. 2017(12)
[3]基于類物體采樣方法的多類別物體識別[J]. 張志柏,朱敏,孫傳慶,牛杰.  中國工程機械學報. 2017(01)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[5]深度學習中的無監(jiān)督學習方法綜述[J]. 殷瑞剛,魏帥,李晗,于洪.  計算機系統(tǒng)應(yīng)用. 2016(08)
[6]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 2016(09)
[7]相似性約束的深度置信網(wǎng)絡(luò)在SAR圖像目標識別的應(yīng)用[J]. 丁軍,劉宏偉,陳渤,馮博,王英華.  電子與信息學報. 2016(01)
[8]基于FAST特征的快速圖像拼接系統(tǒng)研究[J]. 張懿,劉藝.  計算機工程與應(yīng)用. 2016(10)
[9]基于多GPU的深度神經(jīng)網(wǎng)絡(luò)訓練算法[J]. 顧乃杰,趙增,呂亞飛,張致江.  小型微型計算機系統(tǒng). 2015(05)
[10]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)

博士論文
[1]復(fù)雜背景下運動目標檢測和識別關(guān)鍵技術(shù)研究[D]. 解曉萌.華南理工大學 2012
[2]基于非局部信息的保邊緣圖像去噪研究及應(yīng)用[D]. 熊波.華中科技大學 2012
[3]智能視頻監(jiān)控中的運動目標檢測和跟蹤算法研究[D]. 袁國武.云南大學 2012

碩士論文
[1]用于安防監(jiān)控的人體入侵圖像識別算法研究[D]. 楊鵬飛.湖南大學 2014
[2]基于機器視覺的零件識別和測量系統(tǒng)研究[D]. 鄧小峰.南京航空航天大學 2014



本文編號：3175089