目標(biāo)檢測是計(jì)算機(jī)視覺的一個(gè)基礎(chǔ)但又十分重要的任務(wù)�，F(xiàn)階段基于深度學(xué)習(xí)算法尤其是卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測器成為了檢測領(lǐng)域的主流。并且和基于傳統(tǒng)特征提取算法的檢測器相比,無論是在檢測準(zhǔn)確率還是在推理速度上都有著顯著性的提高。在基于卷積的目標(biāo)檢測器中,兩階段檢測器Faster R-CNN和單階段檢測器YOLOv2,YOLOv3雖然在性能上相比其他的檢測器有著明顯的檢測準(zhǔn)確率或者推理速度的優(yōu)勢。但是,我們?nèi)匀豢梢詫ζ溥M(jìn)行一些優(yōu)化和改進(jìn)來得到更為高效的檢測結(jié)果。本文主要有以下三個(gè)創(chuàng)新點(diǎn):首先,針對由于目標(biāo)檢測器Faster R-CNN的區(qū)域生成網(wǎng)絡(luò)產(chǎn)生的表示物體在圖片上潛在位置的候選區(qū)域的不太準(zhǔn)確性,從而制約了其最終檢測準(zhǔn)確率的進(jìn)一步提升的問題,提出了基于Faster R-CNN的候選區(qū)域純迭代提煉模型和LSTM迭代提煉模型。純迭代提煉模型在PASCAL VOC 07訓(xùn)練集上進(jìn)行網(wǎng)絡(luò)訓(xùn)練,在測試集上基于VGG-16骨干網(wǎng)絡(luò)的迭代模型得到的最好m AP比基準(zhǔn)高1.1%,基于ZFNet得到的最好m AP比基準(zhǔn)高1.5%。LSTM迭代提煉模型也能夠較好地提升檢測準(zhǔn)確率。而且由于LSTM層的加入,使得此模... 

【文章來源】：遼寧科技大學(xué)遼寧省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

FasterR-CNN檢測器Fig.2.1FasterR-CNNdetectorFasterR-CNN檢測器的檢測示意圖如圖2.1所示

8檢測網(wǎng)絡(luò)的骨干特征提取網(wǎng)絡(luò)共享卷積層運(yùn)算，極大地提高了模型在訓(xùn)練和推理階段的運(yùn)算速度。FasterR-CNN檢測器使用創(chuàng)新性的RPN替代了傳統(tǒng)的基于原始像素特征的選擇性搜索算法來生成候選區(qū)域，使得整個(gè)檢測模型實(shí)現(xiàn)了真正意義上的端到端的訓(xùn)練和測試過程。2.1.1FasterR-CNN網(wǎng)絡(luò)結(jié)構(gòu)圖2.2為基于VGG-16骨干特征提取網(wǎng)絡(luò)的FasterR-CNN檢測器結(jié)構(gòu)示意圖。從圖中可以看到，對于任意大小的輸入圖片P×Q，檢測網(wǎng)絡(luò)首先都先將圖片尺度縮小或著放大到統(tǒng)一的尺度M×N，然后將固定尺度的圖片傳入VGG-16網(wǎng)絡(luò)進(jìn)行特征提齲VGG-16的整個(gè)卷積結(jié)構(gòu)由13個(gè)卷積層、13個(gè)relu層和4個(gè)池化層組成。特征圖通過區(qū)域生成網(wǎng)絡(luò)的3×3滑動(dòng)卷積，生成的正的先驗(yàn)錨框和計(jì)算出相應(yīng)的邊界框回歸偏移量，從而得到最終的候選區(qū)域。ROI池化層則利用候選區(qū)域坐標(biāo)從特征圖上提取相應(yīng)的特征通過全連接層送入最終的分類和回歸檢測層。圖2.2基于VGG-16的FasterR-CNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2.2FasterR-CNNnetworkstructurebasedonVGG-162.1.2RPN結(jié)構(gòu)描述基于傳統(tǒng)的圖片原始的像素特征，或者通過算法手工設(shè)計(jì)特征描述算子的方法來生成候選區(qū)域通常需要花費(fèi)大量的時(shí)間。比如經(jīng)典的Adaboost算法[43]通過在圖像金字塔級(jí)別上面采用滑動(dòng)窗口的方式來生成候選框，F(xiàn)astR-CNN通過基于原始像素特征和紋理特征的選擇性搜索方法[44]來生成候選框，這兩種方法都需要花費(fèi)很多的時(shí)間才能完成相應(yīng)的候選區(qū)域生成的工作任務(wù)，從而極大地增加了檢測所需的時(shí)間，降低了檢測的效率。FasterR-CNN則沒有使用基于傳統(tǒng)特征的方式來生成候選區(qū)域，而是巧妙地設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域生成網(wǎng)絡(luò)來

洌?提高了整體的檢測效率。圖2.3為FasterR-CNN區(qū)域生成網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，從圖中可以清楚地看到，RPN內(nèi)部由兩條圖片特征流程處理線路組成。圖2.3上面的流程通過Softmax分類器對于生成的先驗(yàn)錨框進(jìn)行正負(fù)類別判定。下面的流程用來計(jì)算錨框的邊界框回歸的偏移量。圖中Proposal層的作用是根據(jù)前面計(jì)算得到的正的錨框和相應(yīng)的邊界框的偏移量計(jì)算得到最終的候選區(qū)域，同時(shí)去除尺度太小和超出圖片邊界的候選區(qū)域。區(qū)域生成網(wǎng)絡(luò)在經(jīng)過了Proposal層的運(yùn)算之后，其實(shí)就大致相當(dāng)于完成了對于圖片中物體潛在位置的大致定位操作。圖2.3RPN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2.3RPNnetworkstructure2.1.3FasterR-CNN損失函數(shù)由于FasterR-CNN的區(qū)域生成網(wǎng)絡(luò)和FastR-CNN檢測網(wǎng)絡(luò)共享骨干網(wǎng)絡(luò)的卷積層，所以區(qū)域生成網(wǎng)絡(luò)用來提取圖片特征圖的網(wǎng)絡(luò)和FastR-CNN是一樣的。同樣，對于訓(xùn)練區(qū)域生成網(wǎng)絡(luò)和FastR-CNN檢測網(wǎng)絡(luò)的損失函數(shù)都包括物體類別的損失誤差和位置回歸的損失誤差。區(qū)域生成網(wǎng)絡(luò)訓(xùn)練過程中使用的損失函數(shù)為：11({},{})=(,)+(,)iiclassiiiregiiclassiregiLptLpppLttNNλ(2.1)在公式2.1中，i為相應(yīng)錨框的索引標(biāo)號(hào)，pi為通過Softmax分類器計(jì)算后的相應(yīng)的正錨框的分類為前景的類別概率。p*i為相應(yīng)的錨框和某個(gè)基準(zhǔn)框相匹配或者不匹配的概率值。即假設(shè)第i個(gè)錨框和某個(gè)基準(zhǔn)框之間的交并比大于0.7，那么該錨框就被判定為正，p*i賦值為1。如果錨框和所有基準(zhǔn)框的交并比都小于0.3，那么該錨框就被判定為負(fù)，p*i賦值為0。交并比在0.3和0.7之間的錨框即不判定為正也不判定為負(fù)，不參與到區(qū)域生成網(wǎng)絡(luò)的訓(xùn)練中。t為通過網(wǎng)絡(luò)預(yù)測的物體邊界框，t為預(yù)測的物體邊界框所對應(yīng)的物體基準(zhǔn)框。從公式2.1可以看到，總的損失函數(shù)由類別損失項(xiàng)和回歸損失項(xiàng)?

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測綜述[J]. 吳帥,徐勇,趙東寧.  模式識(shí)別與人工智能. 2018(04)
[2]深度學(xué)習(xí)在目標(biāo)視覺檢測中的應(yīng)用進(jìn)展與展望[J]. 張慧,王坤峰,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(08)



本文編號(hào)：3379592