基于視頻的野生動物目標檢測算法研究
發(fā)布時間：2022-01-10 13:36
生物資源是人類賴以生存和發(fā)展的自然基礎(chǔ),是生態(tài)系統(tǒng)平衡與穩(wěn)定的有力保障。野生動物資源是生物資源的重要組成部分,保護和合理利用野生動物資源對可持續(xù)發(fā)展有著重要意義。然而,當下對野生動物的監(jiān)測保護是通過實地探查,或者使用昂貴的實時錄像機進行不間斷的定點錄像,需要耗費大量的人力物力,而基于視頻的野生動物目標檢測方法則能夠自動的檢測出野生動物的類別與所在位置,能夠增強對野生動物的保護力度。在對野生動物視頻進行目標檢測的過程中,受運動模糊、形變、光照以及遮擋等因素的影響,會降低目標檢測的穩(wěn)定性與準確率。目標檢測遮擋問題的解決是提升目標檢測穩(wěn)定性與準確率的關(guān)鍵,因此我們將對視頻目標檢測的遮擋問題進行研究。針對視頻中野生動物的遮擋問題,論文首先對基于深度學習的目標檢測系列算法進行了研究,然后對YOLOv3（You Only Look Once）目標檢測算法進行了深入的研究,以野生動物視頻為研究對象,以視頻特有的時間序列關(guān)系為出發(fā)點,在YOLOv3算法的基礎(chǔ)上,進行了兩種算法改進與實驗。論文的主要內(nèi)容如下:（1）構(gòu)造了基于視頻的野生動物目標檢測數(shù)據(jù)集WVDDS（Wildlife Video Detec...
【文章來源】：重慶理工大學重慶市
【文章頁數(shù)】：62 頁
【學位級別】：碩士
【部分圖文】：
圖1.1分類、定位與檢測
到目標輪廓或局部區(qū)域，最終到整個目標。其過程如圖 2.1 所示：圖 2.1 人腦視覺機理流程圖2.1.2 深度學習訓練過程傳統(tǒng)神經(jīng)網(wǎng)絡(luò)采用反向傳播的方式進行訓練。通過隨機設(shè)定初始值，計算當前網(wǎng)絡(luò)的輸出，然后根據(jù)當前輸出和期望輸出的差值去改變前面各層的參數(shù)，直至收斂。
而下的有監(jiān)督學習是一個有監(jiān)督的訓練過程，在通過自下而上的非絡(luò)各層參數(shù)的基礎(chǔ)上，通過有標簽的數(shù)據(jù)進行訓練，由上至下對各。受野與權(quán)值共享統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，輸入層到隱藏層的神經(jīng)元間采用全連接的方式。產(chǎn)生數(shù)量巨大的參數(shù)，使得網(wǎng)絡(luò)訓練耗時甚至難以訓練。為了避免網(wǎng)絡(luò)中出現(xiàn)了局部感受野與權(quán)重共享(Shared Weights)的概念。局部感受野野[38](receptive field)的來源于 Hubel 和 Wiesel 在 1958 年通過對貓究。一般情況下，我們認為人對外界的認知是從局部到全局的，圖是局部像素聯(lián)系較為緊密，而距離較遠的像素聯(lián)系則較弱。因此，要去對全局像素進行感知，而只需對局部像素進行感知即可；然后這些感受得到的不同局部神經(jīng)元進行綜合以得到全局信息，這樣則。全連接與局部感受野的示意圖如圖 2.2 所示：
【參考文獻】：
期刊論文
[1]新技術(shù)驅(qū)動的自然語言處理進展[J]. 王飛,陳立,易綿竹,譚新,張興華. 武漢大學學報(工學版). 2018(08)
[2]基于Dopout與ADAM優(yōu)化器的改進CNN算法[J]. 楊觀賜,楊靜,李少波,胡建軍. 華中科技大學學報(自然科學版). 2018(07)
[3]基于深度學習的醫(yī)學計算機輔助檢測方法研究[J]. 陶攀,付忠良,朱鍇,王莉莉. 生物醫(yī)學工程學雜志. 2018(03)
[4]基于深度學習的圖像描述研究[J]. 楊楠,南琳,張丁一,庫濤. 紅外與激光工程. 2018(02)
[5]基于深度學習的肺部腫瘤檢測方法[J]. 陳強銳,謝世朋. 計算機技術(shù)與發(fā)展. 2018(04)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路場景理解[J]. 吳宗勝,傅衛(wèi)平,韓改寧. 計算機工程與應(yīng)用. 2017(22)
[7]交通監(jiān)控系統(tǒng)中視頻運動目標檢測算法研究[J]. 傅赟,王桂麗,周旭廷,侯學鵬. 計算機技術(shù)與發(fā)展. 2017(08)
[8]基于邊緣幀差和高斯混合模型的行人目標檢測[J]. 蘇劍臣,李策,楊峰. 計算機應(yīng)用研究. 2018(04)
[9]深度學習在語音識別中的研究進展綜述[J]. 侯一民,周慧瓊,王政一. 計算機應(yīng)用研究. 2017(08)
[10]面向自然語言處理的深度學習研究[J]. 奚雪峰,周國棟. 自動化學報. 2016(10)
博士論文
[1]基于特征共享的高效物體檢測[D]. 任少卿.中國科學技術(shù)大學 2016
碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D]. 趙爽.中國地質(zhì)大學(北京) 2015
本文編號：3580804
【文章來源】：重慶理工大學重慶市
【文章頁數(shù)】：62 頁
【學位級別】：碩士
【部分圖文】：
圖1.1分類、定位與檢測
到目標輪廓或局部區(qū)域，最終到整個目標。其過程如圖 2.1 所示：圖 2.1 人腦視覺機理流程圖2.1.2 深度學習訓練過程傳統(tǒng)神經(jīng)網(wǎng)絡(luò)采用反向傳播的方式進行訓練。通過隨機設(shè)定初始值，計算當前網(wǎng)絡(luò)的輸出，然后根據(jù)當前輸出和期望輸出的差值去改變前面各層的參數(shù)，直至收斂。
而下的有監(jiān)督學習是一個有監(jiān)督的訓練過程，在通過自下而上的非絡(luò)各層參數(shù)的基礎(chǔ)上，通過有標簽的數(shù)據(jù)進行訓練，由上至下對各。受野與權(quán)值共享統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，輸入層到隱藏層的神經(jīng)元間采用全連接的方式。產(chǎn)生數(shù)量巨大的參數(shù)，使得網(wǎng)絡(luò)訓練耗時甚至難以訓練。為了避免網(wǎng)絡(luò)中出現(xiàn)了局部感受野與權(quán)重共享(Shared Weights)的概念。局部感受野野[38](receptive field)的來源于 Hubel 和 Wiesel 在 1958 年通過對貓究。一般情況下，我們認為人對外界的認知是從局部到全局的，圖是局部像素聯(lián)系較為緊密，而距離較遠的像素聯(lián)系則較弱。因此，要去對全局像素進行感知，而只需對局部像素進行感知即可；然后這些感受得到的不同局部神經(jīng)元進行綜合以得到全局信息，這樣則。全連接與局部感受野的示意圖如圖 2.2 所示：
【參考文獻】：
期刊論文
[1]新技術(shù)驅(qū)動的自然語言處理進展[J]. 王飛,陳立,易綿竹,譚新,張興華. 武漢大學學報(工學版). 2018(08)
[2]基于Dopout與ADAM優(yōu)化器的改進CNN算法[J]. 楊觀賜,楊靜,李少波,胡建軍. 華中科技大學學報(自然科學版). 2018(07)
[3]基于深度學習的醫(yī)學計算機輔助檢測方法研究[J]. 陶攀,付忠良,朱鍇,王莉莉. 生物醫(yī)學工程學雜志. 2018(03)
[4]基于深度學習的圖像描述研究[J]. 楊楠,南琳,張丁一,庫濤. 紅外與激光工程. 2018(02)
[5]基于深度學習的肺部腫瘤檢測方法[J]. 陳強銳,謝世朋. 計算機技術(shù)與發(fā)展. 2018(04)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路場景理解[J]. 吳宗勝,傅衛(wèi)平,韓改寧. 計算機工程與應(yīng)用. 2017(22)
[7]交通監(jiān)控系統(tǒng)中視頻運動目標檢測算法研究[J]. 傅赟,王桂麗,周旭廷,侯學鵬. 計算機技術(shù)與發(fā)展. 2017(08)
[8]基于邊緣幀差和高斯混合模型的行人目標檢測[J]. 蘇劍臣,李策,楊峰. 計算機應(yīng)用研究. 2018(04)
[9]深度學習在語音識別中的研究進展綜述[J]. 侯一民,周慧瓊,王政一. 計算機應(yīng)用研究. 2017(08)
[10]面向自然語言處理的深度學習研究[J]. 奚雪峰,周國棟. 自動化學報. 2016(10)
博士論文
[1]基于特征共享的高效物體檢測[D]. 任少卿.中國科學技術(shù)大學 2016
碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D]. 趙爽.中國地質(zhì)大學(北京) 2015
本文編號：3580804
本文鏈接：http://sikaile.net/nykjlw/dzwbhlw/3580804.html
最近更新
教材專著
