目標(biāo)檢測(cè)一直是計(jì)算機(jī)視覺(jué)處理領(lǐng)域的重點(diǎn)和難點(diǎn),它有著重要的實(shí)用價(jià)值,被廣泛應(yīng)用于各個(gè)領(lǐng)域。在軍事領(lǐng)域,目標(biāo)檢測(cè)對(duì)戰(zhàn)場(chǎng)偵查、無(wú)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(biāo)檢測(cè)算法局限性較強(qiáng),性能提升的空間有限。隨著近幾年深度學(xué)習(xí)技術(shù)的迅速發(fā)展,目標(biāo)檢測(cè)又取得了突破性的進(jìn)展,因此各個(gè)研究機(jī)構(gòu)開始采用深度學(xué)習(xí)的方法進(jìn)行目標(biāo)檢測(cè)研究。本文對(duì)現(xiàn)有的目標(biāo)檢測(cè)算法進(jìn)行分析,研究了一種面向移動(dòng)軍事目標(biāo)的深度學(xué)習(xí)方法目標(biāo)檢測(cè)系統(tǒng),并在TMS320C6678多核DSP嵌入式平臺(tái)上實(shí)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(biāo)檢測(cè)數(shù)據(jù)集。深度學(xué)習(xí)前期需要龐大的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,而由于軍事目標(biāo)的特殊性,目前沒(méi)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(biāo)圖像共1800張,并逐一對(duì)其位置和類別進(jìn)行了標(biāo)注。(2)對(duì)現(xiàn)有目標(biāo)檢測(cè)算法進(jìn)行改進(jìn)。本文對(duì)現(xiàn)有的目標(biāo)檢測(cè)算法進(jìn)行了分析,對(duì)目前先進(jìn)的YOLO和Faster R-CNN的思想進(jìn)行了融合,實(shí)現(xiàn)了一種更為準(zhǔn)確快速的目標(biāo)檢測(cè)網(wǎng)絡(luò)。本文的軍事目標(biāo)在此網(wǎng)絡(luò)上的檢測(cè)精度比YOLO提升了10%以上,達(dá)到了75%。(3)實(shí)現(xiàn)小樣本的訓(xùn)練。...

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)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(biāo)識(shí)別方法
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)
        1.2.3 基于嵌入式平臺(tái)的目標(biāo)檢測(cè)
    1.3 論文研究?jī)?nèi)容及結(jié)構(gòu)安排
第二章 研究基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        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(xué)習(xí)的目標(biāo)檢測(cè)算法
        2.2.1 傳統(tǒng)目標(biāo)檢測(cè)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(xué)習(xí)框架
        2.3.1 Caffe
        2.3.2 Tensor Flow
        2.3.3 MxNet
        2.3.4 Theano
第三章 移動(dòng)軍事目標(biāo)檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)
    3.1 經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)分析
    3.2 分類部分設(shè)計(jì)
        3.2.1 總體結(jié)構(gòu)
        3.2.2 參數(shù)設(shè)置
    3.3 檢測(cè)部分設(shè)計(jì)
        3.3.1 先驗(yàn)框設(shè)置
        3.3.2 損失函數(shù)設(shè)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(biāo)準(zhǔn)
        3.4.3 數(shù)據(jù)集圖像收集與標(biāo)注
    3.5 訓(xùn)練與實(shí)驗(yàn)結(jié)果
        3.5.1 Caffe框架環(huán)境搭建
        3.5.2 訓(xùn)練方式
        3.5.3 訓(xùn)練參數(shù)設(shè)置
        3.5.4 測(cè)試結(jié)果
第四章 在嵌入式設(shè)備上實(shí)現(xiàn)移動(dòng)軍事目標(biāo)檢測(cè)系統(tǒng)
    4.1 嵌入式平臺(tái)
        4.1.1 TMS320C6678 多核DSP芯片架構(gòu)
        4.1.2 TMDXEVM6678LE介紹
    4.2 在EVM上實(shí)現(xiàn)目標(biāo)檢測(cè)
        4.2.1 Code Composer Studio v5.5
        4.2.2 代碼結(jié)構(gòu)
    4.3 結(jié)果測(cè)試
    4.4 仿真模型測(cè)試
        4.4.1 灰度圖像檢測(cè)
        4.4.2 仿真模型與目標(biāo)獲取
        4.4.3 檢測(cè)效果
第五章 移動(dòng)軍事目標(biāo)檢測(cè)系統(tǒng)的優(yōu)化
    5.1 檢測(cè)系統(tǒng)內(nèi)存訪問(wèn)優(yōu)化
    5.2 檢測(cè)系統(tǒng)代碼優(yōu)化
        5.2.1 優(yōu)化選項(xiàng)優(yōu)化
        5.2.2 關(guān)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(wù)劃分
        5.3.3 共享資源的仲裁機(jī)制
        5.3.4 Cache一致性問(wèn)題
        5.3.5 多核并行
    5.4 實(shí)驗(yàn)結(jié)果
第六章 總結(jié)與展望
    6.1 研究工作總結(jié)
    6.2 研究展望
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)：3836120