目標檢測一直是計算機視覺處理領域的重點和難點,它有著重要的實用價值,被廣泛應用于各個領域。在軍事領域,目標檢測對戰(zhàn)場偵查、無人作戰(zhàn)以及防御警戒等方面有著重要的作用。以往手工提取特征的目標檢測算法局限性較強,性能提升的空間有限。隨著近幾年深度學習技術的迅速發(fā)展,目標檢測又取得了突破性的進展,因此各個研究機構開始采用深度學習的方法進行目標檢測研究。本文對現(xiàn)有的目標檢測算法進行分析,研究了一種面向移動軍事目標的深度學習方法目標檢測系統(tǒng),并在TMS320C6678多核DSP嵌入式平臺上實現(xiàn)和優(yōu)化。本文完成的主要工作如下:(1)制作了軍事目標檢測數(shù)據(jù)集。深度學習前期需要龐大的數(shù)據(jù)對模型進行訓練,而由于軍事目標的特殊性,目前沒有公開的數(shù)據(jù)集可以使用。因此本文收集了6類公開的軍事目標圖像共1800張,并逐一對其位置和類別進行了標注。(2)對現(xiàn)有目標檢測算法進行改進。本文對現(xiàn)有的目標檢測算法進行了分析,對目前先進的YOLO和Faster R-CNN的思想進行了融合,實現(xiàn)了一種更為準確快速的目標檢測網(wǎng)絡。本文的軍事目標在此網(wǎng)絡上的檢測精度比YOLO提升了10%以上,達到了75%。(3)實現(xiàn)小樣本的訓練。...

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 引言
    1.1 課題研究背景
    1.2 課題研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標識別方法
        1.2.2 基于深度學習的目標檢測
        1.2.3 基于嵌入式平臺的目標檢測
    1.3 論文研究內容及結構安排
第二章 研究基礎
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 激活函數(shù)
        2.1.5 損失函數(shù)
    2.2 基于深度學習的目標檢測算法
        2.2.1 傳統(tǒng)目標檢測算法
        2.2.2 R-CNN
        2.2.3 Fast R-CNN
        2.2.4 Faster R-CNN
        2.2.5 YOLO
        2.2.6 SSD
    2.3 深度學習框架
        2.3.1 Caffe
        2.3.2 Tensor Flow
        2.3.3 MxNet
        2.3.4 Theano
第三章 移動軍事目標檢測網(wǎng)絡設計
    3.1 經(jīng)典網(wǎng)絡結構分析
    3.2 分類部分設計
        3.2.1 總體結構
        3.2.2 參數(shù)設置
    3.3 檢測部分設計
        3.3.1 先驗框設置
        3.3.2 損失函數(shù)設置
    3.4 數(shù)據(jù)集的收集與制作
        3.4.1 數(shù)據(jù)集的分類
        3.4.2 數(shù)據(jù)集圖像選取標準
        3.4.3 數(shù)據(jù)集圖像收集與標注
    3.5 訓練與實驗結果
        3.5.1 Caffe框架環(huán)境搭建
        3.5.2 訓練方式
        3.5.3 訓練參數(shù)設置
        3.5.4 測試結果
第四章 在嵌入式設備上實現(xiàn)移動軍事目標檢測系統(tǒng)
    4.1 嵌入式平臺
        4.1.1 TMS320C6678 多核DSP芯片架構
        4.1.2 TMDXEVM6678LE介紹
    4.2 在EVM上實現(xiàn)目標檢測
        4.2.1 Code Composer Studio v5.5
        4.2.2 代碼結構
    4.3 結果測試
    4.4 仿真模型測試
        4.4.1 灰度圖像檢測
        4.4.2 仿真模型與目標獲取
        4.4.3 檢測效果
第五章 移動軍事目標檢測系統(tǒng)的優(yōu)化
    5.1 檢測系統(tǒng)內存訪問優(yōu)化
    5.2 檢測系統(tǒng)代碼優(yōu)化
        5.2.1 優(yōu)化選項優(yōu)化
        5.2.2 關鍵代碼手工優(yōu)化
        5.2.3 其他優(yōu)化
    5.3 系統(tǒng)多核并行優(yōu)化
        5.3.1 確定并行模型
        5.3.2 任務劃分
        5.3.3 共享資源的仲裁機制
        5.3.4 Cache一致性問題
        5.3.5 多核并行
    5.4 實驗結果
第六章 總結與展望
    6.1 研究工作總結
    6.2 研究展望
致謝
參考文獻
作者在學期間取得的學術成果



本文編號：3836120