通用目標(biāo)檢測一直是計算機視覺和數(shù)字圖像處理中最為基礎(chǔ)和最具挑戰(zhàn)性的問題之一,在自動駕駛、人臉識別、圖像檢索和工業(yè)檢測等領(lǐng)域都具有廣泛的應(yīng)用前景。傳統(tǒng)的通用目標(biāo)檢測算法主要依賴于人工設(shè)計的算子提取特征。然而這種特征的泛化性和魯棒性較弱制約了傳統(tǒng)的通用目標(biāo)檢測算法的進一步發(fā)展。近年來隨著大數(shù)據(jù)和計算機硬件的發(fā)展,深度學(xué)習(xí)憑借其強大的特征提取能力在通用目標(biāo)檢測領(lǐng)域取得了巨大的成功。本文以通用目標(biāo)的檢測為研究對象,分析了現(xiàn)有通用目標(biāo)檢測算法的不足之處,提出了一種基于深度特征融合的通用目標(biāo)檢測算法,在滿足實時檢測要求的同時取得了很高的檢測精度。本文的主要研究內(nèi)容可以分為以下幾個方面:（1）SSD算法研究與分析。詳細(xì)研究了基于深度學(xué)習(xí)的通用目標(biāo)檢測算法SSD（single shot multibox detector）,指出SSD算法在檢測多尺度目標(biāo)時效果并不理想,對小目標(biāo)容易出現(xiàn)漏檢和誤檢。通過分析SSD的框架結(jié)構(gòu),發(fā)現(xiàn)這種現(xiàn)象的原因是淺層的特征圖缺乏用于目標(biāo)分類的語義信息,而深層的特征圖缺乏用于目標(biāo)定位的邊界信息。（2）多尺度目標(biāo)問題分析。通過分析數(shù)據(jù)集的組成,指出多尺度目標(biāo)檢測的難點在于目標(biāo)... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

RCNN算法

東華大學(xué)碩士學(xué)位論文第一章緒論7放候選區(qū)域就能實現(xiàn)任意大孝任意長寬比區(qū)域的特征提取，從而避免了卷積層特征的重復(fù)計算，在保證檢測精度的情況下能實現(xiàn)RCNN38倍的檢測速度。圖1-3SPPNet算法針對于SPPNet只對RCNN的結(jié)構(gòu)進行了微調(diào)，仍然沒有解決訓(xùn)練過程分成多階段的問題，R.Girshick等人結(jié)合了RCNN和SPPNet的優(yōu)點又提出了Fast-RCNN[13]（圖1-4）。Fast-RCNN將整張圖像歸一化后直接送入CNN，然后在卷積層輸出的特征圖上加入候選區(qū)域信息，避免了特征提取的重復(fù)計算。此外Fast-RCNN還首次采用了多任務(wù)損失函數(shù)（multi-taskloss），將邊框回歸和目標(biāo)分類統(tǒng)一到一個損失函數(shù)中，實現(xiàn)兩者的同步訓(xùn)練。Fast-RCNN在VOC2007數(shù)據(jù)集上檢測精度達到70.0%，比RCNN提升了11.5%。圖1-4Fast-RCNN算法

東華大學(xué)碩士學(xué)位論文第一章緒論7放候選區(qū)域就能實現(xiàn)任意大孝任意長寬比區(qū)域的特征提取，從而避免了卷積層特征的重復(fù)計算，在保證檢測精度的情況下能實現(xiàn)RCNN38倍的檢測速度。圖1-3SPPNet算法針對于SPPNet只對RCNN的結(jié)構(gòu)進行了微調(diào)，仍然沒有解決訓(xùn)練過程分成多階段的問題，R.Girshick等人結(jié)合了RCNN和SPPNet的優(yōu)點又提出了Fast-RCNN[13]（圖1-4）。Fast-RCNN將整張圖像歸一化后直接送入CNN，然后在卷積層輸出的特征圖上加入候選區(qū)域信息，避免了特征提取的重復(fù)計算。此外Fast-RCNN還首次采用了多任務(wù)損失函數(shù)（multi-taskloss），將邊框回歸和目標(biāo)分類統(tǒng)一到一個損失函數(shù)中，實現(xiàn)兩者的同步訓(xùn)練。Fast-RCNN在VOC2007數(shù)據(jù)集上檢測精度達到70.0%，比RCNN提升了11.5%。圖1-4Fast-RCNN算法

【參考文獻】：
期刊論文
[1]FastFace:實時魯棒的人臉檢測算法[J]. 李啟運,紀(jì)慶革,洪賽丁.  中國圖象圖形學(xué)報. 2019(10)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[3]結(jié)合SVM分類器與HOG特征提取的行人檢測[J]. 徐淵,許曉亮,李才年,姜梅,張建國.  計算機工程. 2016(01)
[4]一種基于Haar-Like T特征的人臉檢測算法[J]. 王慶偉,應(yīng)自爐.  模式識別與人工智能. 2015(01)
[5]大數(shù)據(jù)下的機器學(xué)習(xí)算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識別與人工智能. 2014(04)
[6]局部二值模式方法研究與展望[J]. 宋克臣,顏云輝,陳文輝,張旭.  自動化學(xué)報. 2013(06)
[7]AdaBoost算法研究進展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳.  自動化學(xué)報. 2013(06)
[8]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[9]人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 毛健,趙紅東,姚婧婧.  電子設(shè)計工程. 2011(24)
[10]支持向量機理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學(xué)學(xué)報. 2011(01)

碩士論文
[1]基于注意力機制深度神經(jīng)網(wǎng)絡(luò)的車輛細(xì)分類系統(tǒng)設(shè)計與實現(xiàn)[D]. 董雄雄.北京郵電大學(xué) 2019
[2]基于深度學(xué)習(xí)的船只光學(xué)遙感圖像檢測和分割[D]. 馮冬青.電子科技大學(xué) 2019
[3]基于深度學(xué)習(xí)的細(xì)粒度圖像識別算法研究及應(yīng)用[D]. 賈軍偉.浙江工商大學(xué) 2019



本文編號：3558579