計(jì)算機(jī)科學(xué)的迅猛發(fā)展,使人們的生活越來(lái)越智能化。人工智能領(lǐng)域一直以來(lái)是重要的研究領(lǐng)域。計(jì)算機(jī)視覺(jué)是人工智能領(lǐng)域的一個(gè)重要研究部分,包括圖像處理、機(jī)器學(xué)習(xí)、模式識(shí)別等多個(gè)學(xué)科。目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)中的非常重要的一個(gè)研究方向。目標(biāo)檢測(cè)與細(xì)分主要檢測(cè)出圖片中的物體,例如,智能交通系統(tǒng)中交通視頻含有的車(chē)輛和無(wú)人駕駛場(chǎng)景中的車(chē)輛、行人、騎自行車(chē)的人和交通燈。由于真實(shí)場(chǎng)景中的目標(biāo)所在環(huán)境比較復(fù)雜,這對(duì)目標(biāo)檢測(cè)與細(xì)分系統(tǒng)算法有著較高的要求。傳統(tǒng)的目標(biāo)檢測(cè)算法,首先提取出人工設(shè)計(jì)出來(lái)的經(jīng)典特征,再放入經(jīng)典的分類(lèi)器中進(jìn)行分類(lèi)識(shí)別。傳統(tǒng)的目標(biāo)檢測(cè)算法是手工設(shè)計(jì)的特征,比較簡(jiǎn)單,魯棒性比較差,而且基于滑動(dòng)窗的區(qū)域選擇策略窗口冗余且復(fù)雜度高。本文系統(tǒng)中使用的目標(biāo)檢測(cè)算法,結(jié)合了深度學(xué)習(xí)的技術(shù),代替?zhèn)鹘y(tǒng)的基于卷積濾波的方法,對(duì)道路場(chǎng)景中的目標(biāo)進(jìn)行檢測(cè)并細(xì)分。論文基于TensorFlow深度學(xué)習(xí)框架,TensorFlow是一個(gè)用于機(jī)器智能的開(kāi)源軟件庫(kù),是來(lái)作為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)框架的學(xué)習(xí)軟件庫(kù)。本文采用了深度學(xué)習(xí)的較為經(jīng)典的目標(biāo)檢測(cè)框架:R-FCN以及SSD。就大量樣本標(biāo)注而言,本文采用半自動(dòng)化標(biāo)注的方式結(jié)合增量學(xué)...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-4R-CNN目標(biāo)檢測(cè)系統(tǒng)框圖

顧名思義，最大就是選取最大值，均值就是求取平均值，池化層有類(lèi)似于選擇特的功能，依據(jù)一定規(guī)則從卷積層特征圖中的局部區(qū)域計(jì)算出特征值。一般情形下，池層無(wú)重疊地選擇局部區(qū)域。所以，池化操作降低特征維度的同時(shí)，保證特征具有抗性能力。全連接層在特征提取的后面，把前一層的神經(jīng)元與當(dāng)前層的每個(gè)....

圖2-5FastR-CNN框架

圖2-5FastR-CNN框架它主要做的工作是將SVM分類(lèi)和深度網(wǎng)絡(luò)兩階段進(jìn)行整合，使用這個(gè)新的網(wǎng)絡(luò)做分類(lèi)和回歸。主要進(jìn)行的改進(jìn)如下：1．在最后卷積層加了ROIpoolinglayer，這層首先將圖片里面的ROI定位到featureMAP，再用一個(gè)單層S....

圖2-6FasterR-CNN框架

圖2-5FastR-CNN框架的工作是將SVM分類(lèi)和深度網(wǎng)絡(luò)兩階段進(jìn)行整合，使用這個(gè)新主要進(jìn)行的改進(jìn)如下：卷積層加了ROIpoolinglayer，這層首先將圖片里面的ROI定位個(gè)單層SPPlayer把這個(gè)featureMAPpatch池化固定....

圖2-7R-FCN框架

圖2-7R-FCN框架基于回歸的深度學(xué)習(xí)檢測(cè)模型采用回歸的思想，按照一定規(guī)則預(yù)先劃分默認(rèn)框，建立起預(yù)測(cè)框、默認(rèn)框、以及groundtruth物體框的關(guān)系來(lái)訓(xùn)練，代表有YOLO、SSDR-CNN系列都需要生成建議框，再在建議框里進(jìn)行分類(lèi)和回歸，由于建議框之間重疊的部....

本文編號(hào)：3962354