隨著現(xiàn)代科技的高速發(fā)展,智能化與數(shù)字化的車(chē)輛檢測(cè)技術(shù)受到了前所未有的關(guān)注。近十年,基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)算法取得了突破性進(jìn)展。在復(fù)雜場(chǎng)景下,具有良好的魯棒性。本文設(shè)計(jì)一套輔助無(wú)人駕駛的車(chē)輛目標(biāo)檢測(cè)系統(tǒng),以對(duì)高速行駛中的車(chē)輛進(jìn)行準(zhǔn)確、高效、自動(dòng)化的目標(biāo)檢測(cè)跟蹤。本文對(duì)目標(biāo)檢測(cè)算法進(jìn)行研究,選用了在檢測(cè)精度方面表現(xiàn)較好的基于深度學(xué)習(xí)的Faster R-CNN（Faster Region-based Convolutional Neural Networks）模型作為基礎(chǔ),引入多尺度和注意力機(jī)制對(duì)其改進(jìn),并進(jìn)行了試驗(yàn)驗(yàn)證。本文主要研究?jī)?nèi)容及改進(jìn)如下:1、對(duì)復(fù)雜場(chǎng)景的車(chē)輛數(shù)據(jù)集進(jìn)行了收集擴(kuò)充,并使用數(shù)據(jù)增強(qiáng)及人為干預(yù)做數(shù)據(jù)增廣。實(shí)驗(yàn)了不同的車(chē)輛檢測(cè)模型算法,并對(duì)其算法原理進(jìn)行了比較分析�？紤]到不同算法適應(yīng)的數(shù)據(jù)集有差異,故對(duì)國(guó)內(nèi)外數(shù)據(jù)集以及數(shù)據(jù)擴(kuò)充后的數(shù)據(jù)集進(jìn)行合并訓(xùn)練,最后對(duì)算法模型的實(shí)時(shí)檢測(cè)效果進(jìn)行對(duì)比。2、引入注意力機(jī)制和多尺度,從而使算法適用于更復(fù)雜的場(chǎng)景。對(duì)模型進(jìn)行多尺度特征提取,而后將圖像特征信息融合進(jìn)行推理預(yù)測(cè),以此提高模型檢測(cè)時(shí)的抗干擾能力�？紤]到時(shí)間信息等語(yǔ)義特征,模型加... 

【文章來(lái)源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國(guó)內(nèi)外相關(guān)技術(shù)概述
    1.3 本文主要研究?jī)?nèi)容
    1.4 創(chuàng)新與不足
    1.5 結(jié)構(gòu)安排
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛識(shí)別算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
    2.2 CNN圖像分類(lèi)模型
    2.3 CNN目標(biāo)檢測(cè)算法模型
    2.4 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    2.5 本章小結(jié)
第三章 注意力模型機(jī)制
    3.1 深度學(xué)習(xí)中的Attention機(jī)制
    3.2 空間注意力機(jī)制
    3.3 本章小結(jié)
第四章 基于注意力機(jī)制的多尺度目標(biāo)檢測(cè)網(wǎng)絡(luò)
    4.1 常用深度學(xué)習(xí)目標(biāo)檢測(cè)算法
    4.2 連接模塊設(shè)計(jì)
    4.3 目標(biāo)檢測(cè)網(wǎng)絡(luò)
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3019895