隨著物聯(lián)網(wǎng)和人工智能的迅速發(fā)展,自動(dòng)駕駛技術(shù)引起了全球?qū)W術(shù)界及工業(yè)界的廣泛關(guān)注,其中,道路多目標(biāo)檢測(cè)是自動(dòng)駕駛技術(shù)的重要實(shí)現(xiàn)技術(shù)之一。由于實(shí)際交通場(chǎng)景復(fù)雜多變,檢測(cè)的目標(biāo)通常具有不同的形態(tài)、顏色、光亮和遮擋等多變因素,使得基于傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)的道路多目標(biāo)檢測(cè)方法早已無法滿足自動(dòng)駕駛的需求,研究高性能的道路多目標(biāo)檢測(cè)算法成為迫切且極具挑戰(zhàn)的任務(wù)。而卷積神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)和快速處理運(yùn)算的能力,為道路多目標(biāo)檢測(cè)提供了一種新思路。鑒于此,本文立足于卷積神經(jīng)網(wǎng)絡(luò)理論,開展基于卷積神經(jīng)網(wǎng)絡(luò)的道路多目標(biāo)檢測(cè)算法研究,主要研究?jī)?nèi)容如下:（1）基于Faster Region-based Convolutional Neural Network（Faster R-CNN）的車輛目標(biāo)檢測(cè)算法研究。首先設(shè)計(jì)車輛目標(biāo)檢測(cè)系統(tǒng)框架,對(duì)Faster R-CNN框架結(jié)構(gòu)及損失函數(shù)進(jìn)行深入研究。然后創(chuàng)建車輛數(shù)據(jù)集并采用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)大數(shù)據(jù)集,通過微調(diào)Faster R-CNN模型參數(shù),研究網(wǎng)絡(luò)參數(shù)對(duì)車輛目標(biāo)檢測(cè)性能的影響。實(shí)驗(yàn)結(jié)果分析表明:Faster R-CNN用于車輛目標(biāo)檢測(cè)時(shí)存在檢測(cè)精度低、檢測(cè)速度慢以及難以檢... 

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 道路多目標(biāo)檢測(cè)方法的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于統(tǒng)計(jì)學(xué)習(xí)的方法
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的方法
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)基礎(chǔ)理論
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.2.2 常用卷積神經(jīng)網(wǎng)絡(luò)模型
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法
        2.3.1 R-CNN算法
        2.3.2 Fast R-CNN算法
        2.3.3 Faster R-CNN算法
    2.4 本章小結(jié)
3 基于Faster R-CNN的車輛目標(biāo)檢測(cè)算法研究
    3.1 引言
    3.2 車輛目標(biāo)檢測(cè)框架
    3.3 Faster R-CNN算法
        3.3.1 RPN模型
        3.3.2 RPN損失函數(shù)
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 數(shù)據(jù)集的構(gòu)建
        3.4.2 評(píng)價(jià)指標(biāo)
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
4 基于改進(jìn)Faster R-CNN的車輛目標(biāo)檢測(cè)算法研究
    4.1 引言
    4.2 車輛目標(biāo)檢測(cè)框架
    4.3 Faster R-CNN算法改進(jìn)
        4.3.1 DCN結(jié)構(gòu)
        4.3.2 AVRN結(jié)構(gòu)和損失函數(shù)
        4.3.3 VALN結(jié)構(gòu)和損失函數(shù)
        4.3.4 AVRN和 VALN訓(xùn)練
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
5 基于改進(jìn)Faster R-CNN的道路多目標(biāo)檢測(cè)算法研究
    5.1 引言
    5.2 道路多目標(biāo)檢測(cè)整體框架
    5.3 道路多目標(biāo)檢測(cè)算法
        5.3.1 AOPN結(jié)構(gòu)、損失函數(shù)以及訓(xùn)練過程
        5.3.2 OALN結(jié)構(gòu)、損失函數(shù)以及訓(xùn)練過程
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 數(shù)據(jù)集
        5.4.2 結(jié)果與分析
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)介



本文編號(hào)：3663175