圖像目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域最重要,也最具有挑戰(zhàn)性的難題之一,它為更高層次的視覺任務(wù)做準(zhǔn)備。圖像特征提取是圖像目標(biāo)檢測的關(guān)鍵。卷積神經(jīng)網(wǎng)絡(luò)可以從大量圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)出目標(biāo)檢測所需的特征,避免了人工設(shè)計(jì)特征的復(fù)雜過程。并且可以適應(yīng)目標(biāo)平移、目標(biāo)縮放、目標(biāo)形變以及目標(biāo)所處環(huán)境的變化。因此,基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法正受到越來越多人的關(guān)注。但是現(xiàn)有的經(jīng)典網(wǎng)絡(luò)在檢測多尺度目標(biāo),特別是小目標(biāo)時(shí)仍然存在困難,本文針對這些問題對網(wǎng)絡(luò)做改進(jìn),并將它應(yīng)用于遙感圖像飛機(jī)檢測,說明本文的研究工作具有非常重要的理論研究意義和工程應(yīng)用價(jià)值。本文主要研究基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù),對Two-stage的目標(biāo)檢測器做改進(jìn),以提升它們對圖像目標(biāo)的檢測效果。論文的主要工作和成果如下:1、針對卷積神經(jīng)網(wǎng)絡(luò)對小目標(biāo)檢測效果較差的問題。本文利用卷積神經(jīng)網(wǎng)絡(luò)不同層的多尺度特征,提出了一種構(gòu)建語義金字塔特征的新方法,并用該方法構(gòu)建了一個(gè)新的語義金字塔特征,目標(biāo)候選區(qū)域的分類和回歸都在該金字塔特征上進(jìn)行,增強(qiáng)了算法對小目標(biāo)的檢測性能。2、針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)候選區(qū)域特征過于簡單的問題,本文利用卷積神經(jīng)網(wǎng)絡(luò)卷積層的跨...

【文章頁數(shù)】：90 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 圖像目標(biāo)檢測研究現(xiàn)狀
        1.2.1 傳統(tǒng)圖像目標(biāo)檢測算法研究現(xiàn)狀
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)檢測算法研究現(xiàn)狀
    1.3 論文主要內(nèi)容及章節(jié)安排
        1.3.1 主要研究內(nèi)容
        1.3.2 論文章節(jié)安排
第二章 面向圖像目標(biāo)檢測的深度卷積神經(jīng)網(wǎng)絡(luò)基本原理
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.1 卷積層
        2.2.2 激活函數(shù)層
        2.2.3 池化層
        2.2.4 全連接層
        2.2.5 softmax層
    2.3 面向圖像目標(biāo)檢測的卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)檢測流程
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
        2.3.3 優(yōu)化算法
    2.4 經(jīng)典的目標(biāo)檢測模型
        2.4.1 Faster R-CNN
        2.4.2 R-FCN
        2.4.3 目標(biāo)檢測算法的評(píng)價(jià)標(biāo)準(zhǔn)
    2.5 小結(jié)
第三章 面向圖像目標(biāo)檢測的CNN多尺度特征融合技術(shù)研究
    3.1 引言
    3.2 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)用于圖像目標(biāo)檢測的缺點(diǎn)
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)多尺度特征融合的目標(biāo)檢測
        3.3.1 多尺度特征融合方法
        3.3.2 特征提取模塊的設(shè)計(jì)
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)環(huán)境設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 小結(jié)
第四章 基于Maxout R-CNN的目標(biāo)檢測技術(shù)研究
    4.1 引言
    4.2 面向圖像目標(biāo)檢測的傳統(tǒng)CNN目標(biāo)候選區(qū)域特征獲取
        4.2.1 目標(biāo)候選區(qū)域精選
        4.2.2 傳統(tǒng)CNN目標(biāo)候選區(qū)域特征獲取的缺陷
    4.3 基于Maxout R-CNN的圖像目標(biāo)檢測
        4.3.1 Ro I-scale Pooling層
        4.3.2 Maxout層
        4.3.3 基于Maxout R-CNN的目標(biāo)候選區(qū)域特征獲取
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)環(huán)境設(shè)置
        4.4.2 Faster R-CNN的實(shí)驗(yàn)結(jié)果
        4.4.3 FPN的實(shí)驗(yàn)結(jié)果
    4.5 小結(jié)
第五章 基于CNN多尺度特征融合和Maxout R-CNN的遙感圖像目標(biāo)檢測
    5.1 引言
    5.2 用于遙感圖像目標(biāo)檢測的卷積神經(jīng)網(wǎng)絡(luò)基本架構(gòu)
    5.3 遙感圖像預(yù)處理
        5.3.1 裁剪遙感圖像
        5.3.2 k-means聚類目標(biāo)真值框
    5.4 實(shí)驗(yàn)與分析
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.4.2 實(shí)驗(yàn)環(huán)境設(shè)置
        5.4.3 實(shí)驗(yàn)結(jié)果與分析
    5.5 小結(jié)
結(jié)束語
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果



本文編號(hào)：3741169