在計(jì)算機(jī)視覺(jué)領(lǐng)域中,深度學(xué)習(xí)在目標(biāo)檢測(cè)任務(wù)上的性能已經(jīng)超越以往,達(dá)到了歷史最高水平。本文主要研究的課題就是目標(biāo)檢測(cè)問(wèn)題在商標(biāo)領(lǐng)域上的應(yīng)用。不同于開(kāi)放領(lǐng)域的目標(biāo)檢測(cè)任務(wù),商標(biāo)檢測(cè)任務(wù)存在著目標(biāo)尺度跨度大、場(chǎng)景變化復(fù)雜、目標(biāo)旋轉(zhuǎn)形變嚴(yán)重以及小目標(biāo)數(shù)目眾多等特點(diǎn),而目前主流的目標(biāo)識(shí)別算法在針對(duì)商標(biāo)領(lǐng)域的識(shí)別任務(wù)時(shí)準(zhǔn)確率并不高�；谏鲜霰尘�,本論文主要內(nèi)容是目標(biāo)檢測(cè)算法在商標(biāo)檢測(cè)領(lǐng)域的研究。針對(duì)商標(biāo)數(shù)據(jù)集中存在的目標(biāo)較小、遮擋和旋轉(zhuǎn)等問(wèn)題,本文提出了一種基于多尺度圖像模板的候選區(qū)域生成算法。算法主要思想是基于原始候選框生成網(wǎng)絡(luò)框架,將圖像金字塔和多尺度圖像模板結(jié)合到統(tǒng)一網(wǎng)絡(luò)中,同時(shí)將特征提前網(wǎng)絡(luò)由原來(lái)的使用最后一層特征改為特征金字塔網(wǎng)絡(luò),提高了算法對(duì)小目標(biāo)的檢測(cè)能力。針對(duì)不同分辨率圖像,算法使用不同大小尺度的圖像模板,既解決了多尺度檢測(cè)的問(wèn)題,也沒(méi)有過(guò)多的冗余計(jì)算。通過(guò)在公開(kāi)數(shù)據(jù)集和人工標(biāo)注的汽車(chē)領(lǐng)域數(shù)據(jù)集CarLogos上的對(duì)比實(shí)驗(yàn),證明我們的算法優(yōu)于原始候選框提取算法以及Selective Search算法。由于前文提出的候選區(qū)域生成算法無(wú)法輸入多尺度圖像,使得算法無(wú)法統(tǒng)一到原始Faste... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

左圖是PaulViola[28]

圖 2-2 LBP 特征的計(jì)算過(guò)程[27]目標(biāo)檢測(cè)領(lǐng)域，多尺度形變部件模型[46]（DPM）算法也是近年來(lái)在該領(lǐng)行的算法，它由 Felzenszwalb 等人提出。該算法很好地結(jié)合了檢測(cè)目標(biāo)征信息與整體輪廓特征，有效地解決了在實(shí)際檢測(cè)過(guò)程中遇到的遮擋目目標(biāo)物自身存在更加細(xì)粒度的變化問(wèn)題。該算法總體也是采用改進(jìn)后

圖 2-3 LeNe-5 的基本網(wǎng)絡(luò)結(jié)構(gòu)[35]雖然 LeNet 首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到實(shí)際任務(wù)中并取得了良好的效果，但實(shí)際由于激活函數(shù)等原因?qū)е戮W(wǎng)絡(luò)無(wú)法變得更深，以至于缺乏非線性特征。故此卷積神經(jīng)網(wǎng)絡(luò)迅速落寞下去，直到 Alex 和 Hinton 等人在 2010 年的 LSVRC 大賽中提出了 AlexNet[36]并取得冠軍。雖然比賽數(shù)據(jù)集包含超過(guò) 1200 萬(wàn)張圖像，共計(jì)


本文編號(hào)：3461938