隨著時代的進步,硬件計算能力的不斷提升以及大規(guī)模數(shù)據(jù)的出現(xiàn),深度學(xué)習(xí)在目標檢測上取得了突破性的發(fā)展,它將特征提取和分類整合到了一個單獨的網(wǎng)絡(luò)中。卷積神經(jīng)網(wǎng)絡(luò)是一種擁有局部感知結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),可以將圖像數(shù)據(jù)或者點云數(shù)據(jù)作為輸入,逐層的提取由局部到全局的特征,所以它是一種在圖像物體檢測或者三維點云物體識別領(lǐng)域非常有效的方法。但是由于目標所處環(huán)境的復(fù)雜多樣性,還沒有一種通用成熟的物體檢測方法,在實際應(yīng)用中物體檢測算法研究的機遇與挑戰(zhàn)并存。本篇論文對基于深度學(xué)習(xí)的物體檢測算法進行了深入的研究,在圖像領(lǐng)域改進了一種基于圖像單幀的物體檢測算法,并對主流圖像的目標跟蹤算法進行了分析,提出了一種基于視頻的深度學(xué)習(xí)與數(shù)據(jù)關(guān)聯(lián)相結(jié)合的檢測和跟蹤方法;在激光雷達點云物體識別領(lǐng)域改進了一種三維點云物體檢測算法,本文主要研究內(nèi)容及創(chuàng)新點如下:1)在基于單幀圖像的物體檢測中,改進了基于SSD的物體檢測框架,通過殘差網(wǎng)絡(luò)和稠密網(wǎng)絡(luò)對檢測網(wǎng)絡(luò)的深度進行了優(yōu)化,改進了寬殘差網(wǎng)絡(luò),并對檢測網(wǎng)絡(luò)的寬度進行了優(yōu)化,并且對特征提取層進行了稠密連接,最大化的提升了特征層間的信息流動,讓檢測網(wǎng)絡(luò)能夠更有效地挖掘圖像特征,能夠提高深... 

【文章來源】：東華理工大學(xué)江西省

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容及組織結(jié)構(gòu)
第2章 相關(guān)算法和模型分析
    2.1 概述
    2.2 傳統(tǒng)的目標檢測算法
        2.2.1 圖像特征
        2.2.2 分類器
    2.3 傳統(tǒng)的目標跟蹤算法
        2.3.1 目標跟蹤算法概述
        2.3.2 主流跟蹤算法性能分析
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 參數(shù)共享
        2.4.2 池化
        2.4.3 激活函數(shù)
        2.4.4 可解釋性
    2.5 本章小結(jié)
第3章 基于SSD的圖像物體檢測改進算法
    3.1 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 VGGNet
        3.1.2 ResNet
        3.1.3 DenseNet
    3.2 深度學(xué)習(xí)物體檢測算法
        3.2.1 基于區(qū)域建議框的方法
        3.2.2 基于回歸的方法
    3.3 基于SSD的改進算法
        3.3.1 改進的殘差網(wǎng)絡(luò)SSD的特征提取
        3.3.2 改進的稠密網(wǎng)絡(luò)SSD的特征提取
        3.3.3 改進的輕量級的稠密連接的檢測框架
    3.4 實驗與分析
        3.4.1 實驗數(shù)據(jù)
        3.4.2 評價指標
        3.4.3 實驗比較與分析
    3.5 本章小結(jié)
第4章 視頻中物體檢測與跟蹤框架
    4.1 多模型的融合
        4.1.1 檢測的抑制
        4.1.2 檢測的增廣
        4.1.3 檢測的重定位
    4.2 目標窗口的合并
    4.3 基于上下文的非主要類別抑制
    4.4 基于角點跟蹤的包圍框遷移
    4.5 基于TLD跟蹤的包圍框遷移
    4.6 視頻中物體檢測算法框架
    4.7 實驗與分析
        4.7.1 實驗數(shù)據(jù)
        4.7.2 評價指標
        4.7.3 實驗比較與分析
    4.8 本章小結(jié)
第5章 基于VoxelNet的三維點云物體檢測改進算法
    5.1 經(jīng)典的三維點云物體檢測算法
        5.1.1 激光雷達的點云數(shù)據(jù)分析
        5.1.2 傳統(tǒng)的三維點云物體檢測算法
    5.2 深度學(xué)習(xí)的三維點云物體檢測算法
        5.2.1 基于三維點云網(wǎng)格化的方法
        5.2.2 基于三維點云特征學(xué)習(xí)的方法
    5.3 基于VoxelNet的改進算法
        5.3.1 改進VoxelNet的點云特征編碼
        5.3.2 改進VoxelNet的Anchor機制
    5.4 實驗與分析
        5.4.1 實驗數(shù)據(jù)
        5.4.2 評價指標
        5.4.3 實驗比較與分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)及其在目標和行為識別中的新進展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學(xué)報. 2014(02)



本文編號：3461451