隨著人工智能技術(shù)在計算機視覺領(lǐng)域的廣泛應用,目標檢測作為計算機視覺中的代表問題之一也越來越受到人們的重視。目標檢測技術(shù)從最原始的利用傳統(tǒng)圖像特征與機器學習的方法,逐漸發(fā)展到如今利用深度學習的方法,且檢測的效果也逐步提升。而在目標檢測問題中,待檢測目標的多尺度特性往往是檢測過程中的一個難點。針對這個問題,本文主要研究了一種基于弱監(jiān)督深度學習的多尺度目標檢測網(wǎng)絡,并以此為基礎(chǔ)設計了一個實時目標檢測系統(tǒng)。同時以博物館內(nèi)的文物為例進行實現(xiàn),針對該課題研究過程中遇到的問題展開了一系列研究,主要工作如下:（1）提出了一種改進的YOLO v3多尺度目標檢測算法。通過在原算法的基礎(chǔ)上使用可變形卷積和增強感受野的策略,提升了原有網(wǎng)絡對于多尺度目標的檢測效果。此外,由于原網(wǎng)絡中有大量的批量歸一化（Batch Normalization,BN）操作,這會導致因送入網(wǎng)絡數(shù)據(jù)的批量大小（batch size）過小而影響網(wǎng)絡的整體性能。對于這一問題本文使用了組歸一化（Group Normalization,GN）策略加以解決。還通過使用標簽平滑方法來進一步提升了原有網(wǎng)絡的分類性能。而在對于輸入數(shù)據(jù)的處理上,利用了... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 選題背景與意義
    1.2 國內(nèi)外研究背景與現(xiàn)狀
        1.2.1 基于傳統(tǒng)圖像特征與機器學習的目標檢測算法
        1.2.2 基于深度學習的目標檢測及研究現(xiàn)狀
        1.2.3 多尺度目標檢測及研究現(xiàn)狀
        1.2.4 基于弱監(jiān)督的目標檢測及研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 論文理論基礎(chǔ)概要
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 LeNet結(jié)構(gòu)
        2.2.2 AlexNet結(jié)構(gòu)
        2.2.3 VGGNet結(jié)構(gòu)
        2.2.4 GoogLeNet結(jié)構(gòu)
        2.2.5 ResNet結(jié)構(gòu)
        2.2.6 DenseNet結(jié)構(gòu)
    2.3 可變形卷積神經(jīng)網(wǎng)絡
    2.4 深度目標檢測網(wǎng)絡
        2.4.1 Faster R-CNN結(jié)構(gòu)
        2.4.2 YOLO系列結(jié)構(gòu)
    2.5 本章小結(jié)
第三章 一種改進的YOLO v3多尺度目標檢測算法
    3.1 引言
    3.2 數(shù)據(jù)集介紹及預處理
        3.2.1 數(shù)據(jù)集介紹
        3.2.2 直方圖均衡化提升對比度
    3.3 算法主要思想
        3.3.1 原YOLO v3目標檢測算法的不足
        3.3.2 提升網(wǎng)絡的多尺度檢測性能
        3.3.3 降低網(wǎng)絡對硬件的要求
        3.3.4 進一步提升網(wǎng)絡分類性能
    3.4 實驗結(jié)果及分析
        3.4.1 提升對比度的影響
        3.4.2 多尺度目標檢測性能分析
        3.4.3 采用GN的性能影響
        3.4.4 標簽平滑的影響
        3.4.5 最終性能與實測結(jié)果展示
    3.5 本章小結(jié)
第四章 一種弱監(jiān)督深度學習目標檢測網(wǎng)絡
    4.1 引言
    4.2 基于弱監(jiān)督深度學習的目標檢測算法
        4.2.1 算法主要思想
        4.2.2 網(wǎng)絡結(jié)構(gòu)
    4.3 訓練數(shù)據(jù)及處理
    4.4 實驗結(jié)果及分析
        4.4.1 不同卷積結(jié)構(gòu)性能比較
        4.4.2 完整數(shù)據(jù)的弱監(jiān)督目標檢測
        4.4.3 部分數(shù)據(jù)的弱監(jiān)督目標檢測
    4.5 本章小結(jié)
第五章 基于弱監(jiān)督深度學習的目標檢測系統(tǒng)設計及應用
    5.1 引言
    5.2 需求分析與方案設計
    5.3 系統(tǒng)模塊設計
        5.3.1 視頻流處理模塊與圖像處理模塊
        5.3.2 目標檢測模塊
        5.3.3 顯示模塊
    5.4 系統(tǒng)實現(xiàn)與應用
        5.4.1 系統(tǒng)工作流程分析
        5.4.2 應用步驟
    5.5 實驗與性能分析
        5.5.1 系統(tǒng)標注策略實驗
        5.5.2 系統(tǒng)檢測模塊實驗
        5.5.3 實測結(jié)果展示
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡在圖像分類和目標檢測應用綜述[J]. 周俊宇,趙艷明.  計算機工程與應用. 2017(13)
[2]改進的直方圖均衡化在遙感圖像分類中的應用[J]. 岳昔娟,張勇,黃國滿.  四川測繪. 2008(04)
[3]陜西歷史博物館設計[J]. 張錦秋.  建筑學報. 1991(09)

碩士論文
[1]基于深度學習的目標檢測研究[D]. 朱潤生.北京交通大學 2018
[2]基于多特征級聯(lián)分類器的道路車輛檢測方法研究[D]. 李婷俐.湖南大學 2012



本文編號：3461587