發(fā)布時(shí)間：2021-08-10 14:43

　　計(jì)算機(jī)視覺(jué)作為一個(gè)十分前沿而又活躍的研究領(lǐng)域,已經(jīng)發(fā)展為人工智能最重要的分支之一�；谝曈X(jué)的目標(biāo)檢測(cè)算法已經(jīng)在各個(gè)領(lǐng)域得到應(yīng)用,比如智能視頻分析系統(tǒng),工業(yè)智能制造系統(tǒng),智慧城市交通系統(tǒng),自動(dòng)駕駛等領(lǐng)域。本文主要針對(duì)交通場(chǎng)景的目標(biāo)檢測(cè)算法展開(kāi)研究,期望深度學(xué)習(xí)目標(biāo)檢測(cè)算法能夠促進(jìn)自動(dòng)駕駛感知技術(shù)快速發(fā)展。首先,論文歸納并總結(jié)了經(jīng)典的目標(biāo)檢測(cè)算法和現(xiàn)在基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法,詳細(xì)地分析了兩類(lèi)算法性能的差異和適用場(chǎng)景。對(duì)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法的研究現(xiàn)狀做了客觀的總結(jié),并對(duì)未來(lái)的發(fā)展趨勢(shì)做了展望。其次,為了滿足交通場(chǎng)景對(duì)目標(biāo)檢測(cè)算法的精度和速度的需求,論文選取快速的單階段目標(biāo)檢測(cè)算法SSD（Single Shot Multi Box Detector,SSD）進(jìn)行研究。針對(duì)SSD對(duì)困難小目標(biāo)的檢測(cè)性能差的問(wèn)題,提出了一種深度特征融合算法DFSSD（Deep Fusion based Single Shot MultiBox Detector,DFSSD）,提升了SSD檢測(cè)困難小目標(biāo)的精度。在PASCAL VOC2007測(cè)試集上,DFSSD比原始SSD300的m Ap（mean Av... 

【文章來(lái)源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

生物神經(jīng)元基本模型

第二章深度學(xué)習(xí)相關(guān)理論與技術(shù)171()niiizwxbx(2.1)yf(z)(2.2)圖2.2神經(jīng)元數(shù)學(xué)模型2.1.3反向傳播算法反向傳播算法(BackPropagation,BP)[42]，是深度學(xué)習(xí)的基礎(chǔ)算法，算法可以分為兩步：(1)前向計(jì)算，把輸入信息傳入神經(jīng)網(wǎng)絡(luò)，信息通過(guò)神經(jīng)網(wǎng)絡(luò)每一個(gè)隱藏層的處理，逐步傳遞到神經(jīng)網(wǎng)絡(luò)的輸出層，在輸出層獲得一個(gè)預(yù)測(cè)值，用神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值和樣本數(shù)據(jù)的期望值求得一個(gè)誤差信號(hào)。(2)反向傳播，把求得的誤差信號(hào)通過(guò)鏈?zhǔn)角髮?dǎo)，逐一傳遞給每一個(gè)隱藏層的參數(shù)，即求得誤差對(duì)各個(gè)隱藏層參數(shù)的梯度，然后用這些梯度來(lái)更新每層對(duì)應(yīng)的參數(shù)。反向傳播算法是一個(gè)不斷地迭代優(yōu)化的過(guò)程，直到神經(jīng)網(wǎng)絡(luò)的輸出與期望值的誤差小于一定的閾值，才停止更新參數(shù)，訓(xùn)練結(jié)束。反向傳播算法流程可以概括為以下幾步：1.輸入為x：把第l層神經(jīng)元的激活值記為la，第l層激活函數(shù)的輸入記為lz，把目標(biāo)函數(shù)對(duì)第l層的第j個(gè)元素的導(dǎo)數(shù)記為ljljcδz2.前向計(jì)算：對(duì)每一個(gè)隱藏層l1,2,,L計(jì)算()llaσz(2.3)lll1lzwab(2.4)3.對(duì)最后一層有

第二章深度學(xué)習(xí)相關(guān)理論與技術(shù)1911000011100010100110011005×5輸入X3×3卷積核K3×3輸出P圖2.3卷積計(jì)算過(guò)程2.2.2池化層池化層在卷積神經(jīng)網(wǎng)絡(luò)中可以起到下采樣的作用，提取圖像關(guān)鍵的特征，在一定程度上可以減輕過(guò)擬和。此外，池化操作對(duì)仿射變換具有一定的不變性，具體的可以分為最大池化和平均池化，二者的計(jì)算方式如圖2.4所示，其中x是最大池化計(jì)算結(jié)果，y是平均池化計(jì)算結(jié)果。圖2.4池化計(jì)算過(guò)程2.3損失函數(shù)損失函數(shù)是神經(jīng)網(wǎng)絡(luò)優(yōu)化的目標(biāo)，針對(duì)不同任務(wù)，通常采取的損失函數(shù)也有所區(qū)別。下面分別就分類(lèi)任務(wù)和回歸任務(wù)經(jīng)常采用的損失函數(shù)予以介紹。1)分類(lèi)損失函數(shù)：交叉熵?fù)p失：分類(lèi)任務(wù)最常用的是交叉熵?fù)p失函數(shù)，交叉熵?fù)p失有兩種形式，分別如公式2.11和公式2.12所示101010101323242224max1234xfx,x,x,x(2.9)4114iiyy(2.10)


本文編號(hào)：3334249