近年來,目標(biāo)檢測在智慧城市、無人駕駛、視頻信息檢索等諸多領(lǐng)域都得到了廣泛應(yīng)用,是計(jì)算機(jī)視覺、人工智能等領(lǐng)域的重要研究方向之一。本文首先介紹了基于深度學(xué)習(xí)的目標(biāo)檢測算法的基本理論,然后圍繞雙階段目標(biāo)檢測算法進(jìn)行分析,在目標(biāo)檢測的特征提取、候選區(qū)域建議和分類回歸階段分別提出改進(jìn)措施,提升算法對尺度變化較大、長寬比例懸殊和遮擋目標(biāo)的檢測精度。本文主要工作如下:(1)針對已有的特征提取網(wǎng)絡(luò)在特征提取過程中連續(xù)下采樣造成特征圖分辨率過低,導(dǎo)致算法對于小目標(biāo)檢測精度低、漏檢等問題,實(shí)現(xiàn)了一種名為檢測網(wǎng)絡(luò)-特征金字塔網(wǎng)絡(luò) DetNet-FPN(Detection Network-Feature Pyramid Network)的多尺度特征融合網(wǎng)絡(luò)。該網(wǎng)絡(luò)在特征圖提取網(wǎng)絡(luò)的前四個(gè)階段和ResNet-50保持一致,即每經(jīng)過一個(gè)階段特征圖進(jìn)行2倍的下采樣,在第五、六階段,取消特征圖的下采樣,保持特征圖為16倍的下采樣不變,以此保證特征圖具有較高的分辨率,同時(shí)在第五、六階段,設(shè)計(jì)了兩種瓶頸結(jié)構(gòu)(BottleNeck),在這兩個(gè)結(jié)構(gòu)中引入空洞卷積替換傳統(tǒng)卷積來擴(kuò)大感受野,使得算法能夠保證在特征圖擁有較大分辨率的...

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 目標(biāo)檢測研究現(xiàn)狀
        1.2.1 基于人工特征的目標(biāo)檢測算法
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測算法
    1.3 目標(biāo)檢測技術(shù)研究難點(diǎn)
    1.4 本文主要工作及章節(jié)安排
        1.4.1 本文主要工作
        1.4.2 本文章節(jié)安排
第2章 相關(guān)工作基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基本理論
        2.1.1 神經(jīng)元與激活函數(shù)
        2.1.2 卷積層
        2.1.3 池化層
        2.1.4 全連接層
    2.2 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
    2.3 目標(biāo)檢測算法
        2.3.1 基于候選區(qū)域的目標(biāo)檢測算法
        2.3.2 基于回歸的目標(biāo)檢測算法
    2.4 本章小結(jié)
第3章 多尺度特征融合算法
    3.1 引言
    3.2 經(jīng)典多層特征融合策略
    3.3 DetNet-FPN特征融合網(wǎng)絡(luò)
    3.4 實(shí)驗(yàn)評(píng)估
    3.5 本章小結(jié)
第4章 自適應(yīng)錨框生成網(wǎng)絡(luò)
    4.1 候選區(qū)域生成網(wǎng)絡(luò)
    4.2 自適應(yīng)錨框生成網(wǎng)絡(luò)
        4.2.1 錨框位置預(yù)測
        4.2.2 錨框形狀預(yù)測
    4.3 基于錨框形狀的特征自適應(yīng)模塊
    4.4 多任務(wù)損失函數(shù)
    4.5 候選區(qū)域篩選策略
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)設(shè)置
        5.1.1 實(shí)驗(yàn)環(huán)境和參數(shù)
        5.1.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.1.3 評(píng)價(jià)指標(biāo)
    5.2 消融實(shí)驗(yàn)
    5.3 實(shí)驗(yàn)結(jié)果與分析
    5.4 算法泛化性能分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果



本文編號(hào)：4035905