隨著無人駕駛、人臉檢測(cè)、智能視頻監(jiān)控等應(yīng)用出現(xiàn),亟待快速、準(zhǔn)確的物體檢測(cè)系統(tǒng)。物體檢測(cè)系統(tǒng)不僅要求能識(shí)別圖像中物體類別,還要求能夠畫出框體,用于定位物體的位置。這對(duì)物體檢測(cè)提出了嚴(yán)苛的要求,使得其成為比物體識(shí)別任務(wù)更難解決的問題。傳統(tǒng)的計(jì)算機(jī)視覺方法存在檢測(cè)準(zhǔn)確率低和檢測(cè)速度慢等問題�；诰矸e神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)技術(shù)是實(shí)現(xiàn)快速準(zhǔn)確檢測(cè)的有效方法。卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)的圖像特征,能夠很好地表達(dá)圖像的語義信息。且近年來,大規(guī)模的公開訓(xùn)練數(shù)據(jù)集為卷積神經(jīng)網(wǎng)絡(luò)提供大量的訓(xùn)練數(shù)據(jù),以及計(jì)算機(jī)硬件的飛速發(fā)展為卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的計(jì)算提供能力�；诰矸e神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)技術(shù)仍然存在小物體難檢測(cè),受復(fù)雜背景和相似物體干擾的問題。本文主要研究基于卷積神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)。首先,詳述了不同類型的基于卷積神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)算法,然后針對(duì)這些算法的健壯性不足、小物體難檢測(cè)和準(zhǔn)確率較低等問題,本文提出了改進(jìn)方法,主要貢獻(xiàn)有:1.提出新的預(yù)測(cè)模塊。該模塊結(jié)合了多層卷積層,增強(qiáng)了圖像卷積特征,提高了卷積特征的感受野,使得卷積特征能夠感受更多上下文信息,從而提高了單次物體檢測(cè)模型（Single Shot MultiBox ... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

YOLO流程圖

圖 3-3 SSD300 和 NPM-SSD300 檢測(cè)家具類物體的錯(cuò)誤來源分析3.4 本章小結(jié)特征提取對(duì)于物體檢測(cè)來說非常重要。SSD 采用多層卷積特征檢測(cè)目標(biāo)物體而與高層特征圖相對(duì)比，低層特征圖具有較少的語義信息，較小的感受野；并且直接選取主干網(wǎng)絡(luò)的特征圖進(jìn)行檢測(cè)物體，產(chǎn)生的梯度會(huì)對(duì)主干網(wǎng)絡(luò)造成沖擊，難以優(yōu)化；此外，低層所對(duì)應(yīng)的樣本中，負(fù)樣本遠(yuǎn)遠(yuǎn)多于正樣本。針對(duì)這些問題，本章提出了結(jié)合新的預(yù)測(cè)模塊的 NMP-SSD，并且使用更小的正負(fù)樣本劃分閾值。根據(jù)仿真實(shí)驗(yàn)的數(shù)據(jù)對(duì)比，NMP-SSD 比當(dāng)前主要的物體檢測(cè)方法相比，具有更高的檢測(cè)準(zhǔn)確率，并且能滿足實(shí)時(shí)的檢測(cè)速度要求，驗(yàn)證了本章提出的算法改進(jìn)是有效的，該改進(jìn)方法在整個(gè)算法中發(fā)揮了重要作用。本章還通過物體檢測(cè)來源的分析，說明 NMP-SSD 相對(duì)于 SSD 能夠更好地定位物體，更能將目標(biāo)物體與背景進(jìn)行區(qū)分。

基于卷積神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)研究均準(zhǔn)確率相對(duì)于 SSD 會(huì)低上一些。但是 NTB-SSD300 的檢測(cè)平均準(zhǔn)確率仍然達(dá)到了 70.6%，NTB-SSD512 的檢測(cè)平均準(zhǔn)確率達(dá)到了 72.5%。（3）為了更好地觀察并感受 NTB-SSD 模型的檢測(cè)效果，我們從 VOC12 的檢測(cè)結(jié)果中選出 6 幅檢測(cè)結(jié)果樣例展示，如圖 4-1 所示。從樣例中可以看出，NTB-SSD 能夠較好地檢測(cè)出圖片中的物體。


本文編號(hào)：3488307