目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的核心和基礎(chǔ)研究問(wèn)題,在視頻監(jiān)控、生物醫(yī)療和自動(dòng)駕駛等領(lǐng)域有著非常廣泛的應(yīng)用,相比較于傳統(tǒng)的目標(biāo)檢測(cè)算法,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法SSD(Single Shot MultiBox Detector)使得目標(biāo)檢測(cè)精度有了很大的提升,SSD采用VGG-16卷積神經(jīng)網(wǎng)絡(luò)提取特征,VGG-16權(quán)重參數(shù)多,計(jì)算量大,限制了SSD目標(biāo)檢測(cè)算法在智能手機(jī)、嵌入式設(shè)備等性能有限設(shè)備上的應(yīng)用,本文研究目的是減少SSD算法模型的計(jì)算量,使其能夠有更廣泛的應(yīng)用。(1)MobileNet是針對(duì)移動(dòng)和嵌入式設(shè)備提出的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò),壓縮方法為計(jì)算MobileNet逐點(diǎn)卷積層過(guò)濾器的L1范數(shù),移除L1范數(shù)最小的數(shù)個(gè)卷積過(guò)濾器,壓縮效果為:MobileNet模型規(guī)模減少了18.6%,其Top-1和Top-5精度分別為65.2%和85.8%。(2)使用壓縮后的MobileNet替換VGG-16作為SSD目標(biāo)檢測(cè)算法基礎(chǔ)網(wǎng)絡(luò),并且在基礎(chǔ)網(wǎng)絡(luò)尾部添加八個(gè)卷積層,使用六個(gè)不同尺度的特征圖進(jìn)行卷積計(jì)算來(lái)檢測(cè)目標(biāo),選取PASCAL VOC2007數(shù)據(jù)集對(duì)改進(jìn)后的SSD目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練和測(cè)試,實(shí)...

【文章頁(yè)數(shù)】：92 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

輸入層、卷積層、激活函數(shù)、池化層和全連接層組成卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)示意圖如圖2.2所示：圖2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖1.卷積層由于卷積神經(jīng)網(wǎng)絡(luò)的局部連接性質(zhì)，卷積核與上一級(jí)輸入層局部相連，將局部連接的像素值與卷積核的參數(shù)相乘再求和，然后加上偏置參數(shù)得到卷積層結(jié)果。在卷積....

卷積層需要學(xué)習(xí)的參數(shù)是濾波器filter的數(shù)值，對(duì)圖像做卷積操作可以得到圖像特征，圖2.4即為通過(guò)卷積過(guò)濾器得到圖像的特征。圖2.4卷積層特征圖2.激活函數(shù)通過(guò)激活函數(shù)，卷積神經(jīng)網(wǎng)絡(luò)引入了非線性因素[25]，使得卷積神經(jīng)網(wǎng)絡(luò)可以更好地解決實(shí)際的復(fù)雜問(wèn)題，sigmoid....

圖2.5sigmoid函數(shù)圖像神經(jīng)網(wǎng)絡(luò)引入了概率，根據(jù)sigmoid函數(shù)的計(jì)算量較大，使用反向傳播算法訓(xùn)練深層神這就使得sigmoid函數(shù)無(wú)法訓(xùn)練深層卷積神經(jīng)為[-1,1]，定義見(jiàn)公式(2-2)，函數(shù)圖像如圖2.6圖2.6Tanh函數(shù)圖像

西安電子科技大學(xué)碩士學(xué)位論文圖2.5sigmoid函數(shù)圖像神經(jīng)網(wǎng)絡(luò)引入了概率，根據(jù)sigmoid函數(shù)的定此計(jì)算量較大，使用反向傳播算法訓(xùn)練深層神經(jīng)這就使得sigmoid函數(shù)無(wú)法訓(xùn)練深層卷積神經(jīng)網(wǎng)為[-1,1]，定義見(jiàn)公式(2-2)，函數(shù)圖像如圖2.6

本文編號(hào)：3966871