我國國土面積龐大,有著極長的邊境線和海岸線。邊境防衛(wèi)承擔(dān)著保家衛(wèi)國的重要使命。目前,我國邊海防地區(qū)部署了大量的攝像頭等視頻采集設(shè)備,基本采用邊海防戰(zhàn)士人工處理上報(bào)方式對(duì)采集的視頻進(jìn)行處理,效率極其低下,不能滿足邊海防御要求。利用計(jì)算機(jī)視覺的傳統(tǒng)目標(biāo)檢測方法處理視頻數(shù)據(jù),過于依賴先驗(yàn)知識(shí),當(dāng)目標(biāo)存在形變、環(huán)境光照等變化時(shí),方法的魯棒性不高,不符合邊境防衛(wèi)精確檢測目標(biāo)的要求。當(dāng)前隨著大數(shù)據(jù)、云計(jì)算和人工智能技術(shù)的發(fā)展,尤其是以深度學(xué)習(xí)算法為基礎(chǔ)的自動(dòng)目標(biāo)檢測與識(shí)別技術(shù)的進(jìn)步,使得利用深度學(xué)習(xí)方法來對(duì)邊海防圖像中的目標(biāo)進(jìn)行檢測成為了可能。本文開展了基于深度學(xué)習(xí)的邊海防圖像目標(biāo)檢測方法研究,主要完成工作如下:（1）首先對(duì)基于深度學(xué)習(xí)的目標(biāo)檢測及其相關(guān)技術(shù)理論進(jìn)行了綜述,并系統(tǒng)的介紹了基于候選區(qū)域的目標(biāo)檢測框架Faster RCNN。（2）提出了一種改進(jìn)的基于候選區(qū)域（region-based）的深度學(xué)習(xí)目標(biāo)檢測方法。首先,通過對(duì)原有的分類結(jié)構(gòu)添加SE（Squeeze-and-Excitation）模塊來提高卷積通道之間的相關(guān)性,使用可變形卷積替代原有特征提取結(jié)構(gòu)特有卷積層中的卷積模塊,提高目標(biāo)... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸出特征圖N種濾波器圖2.2 卷積操作示意圖卷積層的參數(shù)由一組可學(xué)習(xí)的濾波器組成，每個(gè)濾波器占據(jù)很小的空間，每一種濾波器都可以學(xué)習(xí)一類特征，這些濾波器對(duì)給定的輸入量會(huì)提取相應(yīng)的視覺特征，比如在第一層或低層中，濾波器會(huì)得到某個(gè)方向的邊緣特征，或者某個(gè)顏色的特征，而在網(wǎng)絡(luò)的高層中，濾波器會(huì)學(xué)習(xí)到更具體的語義信息。在每個(gè)卷積層中都有一組完整的濾波器，每個(gè)濾波器將生成一個(gè)獨(dú)立的二維映射特征圖，通

原始特征圖池化特征圖圖2.3 池化操作示意圖（2）全連接層CNN 的最后幾層結(jié)構(gòu)一般是全連接層，在整個(gè) CNN 網(wǎng)絡(luò)中起到分類器的作用[36]，其結(jié)構(gòu)如圖 2.4 所示。如果說卷積、池化和激活函數(shù)等操作的作用是將原始輸入數(shù)據(jù)映射到隱層特征空間的話，那么全連接層則起到將學(xué)習(xí)到的特征映射到樣本標(biāo)記空間的作用。 l l l 1lX W X b (2.5)其中， x 表示激活函數(shù)，l1X 表示上一層輸入，lb 表示對(duì)應(yīng)的偏置。....池化特征圖全連接層........全連接層圖2.4 全連接層

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計(jì)算機(jī)應(yīng)用研究. 2017(10)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的軍事圖像分類[J]. 高惠琳.  計(jì)算機(jī)應(yīng)用研究. 2017(11)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的行人檢測[J]. 芮挺,費(fèi)建超,周遊,方虎生,朱經(jīng)緯.  計(jì)算機(jī)工程與應(yīng)用. 2016(13)
[4]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)
[5]基于級(jí)聯(lián)卷積網(wǎng)絡(luò)的自然場景下的車牌檢測[J]. 閆鵬,牛常勇,范明.  計(jì)算機(jī)工程與設(shè)計(jì). 2014(12)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片分類[J]. 龔丁禧,曹長榮.  計(jì)算機(jī)與現(xiàn)代化. 2014(04)
[7]從產(chǎn)品和系統(tǒng)談邊防監(jiān)控的實(shí)現(xiàn)[J]. 范春陽.  中國公共安全(市場版). 2007(09)
[8]人類視覺注意機(jī)制在目標(biāo)檢測中的應(yīng)用[J]. 桑農(nóng),李正龍,張?zhí)煨?  紅外與激光工程. 2004(01)

博士論文
[1]基于深層結(jié)構(gòu)的圖像內(nèi)容分析及其應(yīng)用[D]. 楊奎元.中國科學(xué)技術(shù)大學(xué) 2012

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻車型識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 曾俊東.西南交通大學(xué) 2017
[2]智能交通系統(tǒng)中行人檢測算法的研究[D]. 張義德.哈爾濱理工大學(xué) 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的電商圖片物體識(shí)別[D]. 孫俊.電子科技大學(xué) 2016
[4]基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[D]. 楊楠.河北師范大學(xué) 2016
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別研究與實(shí)現(xiàn)[D]. 楊眷玉.電子科技大學(xué) 2016
[6]車載輔助系統(tǒng)中禁令交通標(biāo)志的識(shí)別研究[D]. 余進(jìn)程.廣東工業(yè)大學(xué) 2014
[7]卷積神經(jīng)網(wǎng)絡(luò)的并行化研究[D]. 凡保磊.鄭州大學(xué) 2013
[8]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012
[9]車牌識(shí)別與車輛排隊(duì)長度的研究[D]. 朱孝山.山西大學(xué) 2011
[10]反卷積網(wǎng)絡(luò)圖像表述與復(fù)原[D]. 陳揚(yáng)鈦.國防科學(xué)技術(shù)大學(xué) 2011



本文編號(hào)：3037774