本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡的目標檢測模型的研究

  更多相關(guān)文章： 目標檢測 卷積神經(jīng)網(wǎng)絡 部件檢測 隱式訓練

【摘要】：目標檢測已經(jīng)成為社會各領(lǐng)域的重要研究課題之一。傳統(tǒng)檢測模型通常采用人工特征提取方法獲得目標的特征描述,然后輸入到一個分類器中學習分類規(guī)則。然而,人工特征提取方法比較復雜,對設(shè)計者提出了比較高的學術(shù)要求。其次,這些方法高度依賴于具體任務,要求設(shè)計者有豐富的實際經(jīng)驗。再次,這些方法也有各自的局限性,對應用環(huán)境提出嚴格的假設(shè)前提,如小尺度、小角度的變化等等,在現(xiàn)實應用中很難得到滿足。最后,傳統(tǒng)檢測模型分離了特征提取和分類訓練。如果在特征描述中人工提取的特征對目標不夠好,那些丟失的有用信息再也無法從分類訓練中恢復出來。卷積神經(jīng)網(wǎng)絡是一種將多層人工神經(jīng)網(wǎng)絡和卷積運算相結(jié)合的新型網(wǎng)絡。它通過卷積運算讓計算機自動從圖像中提取目標特征,這樣獲得的特征更自然,并且通用性好。同時,它對一定程度的扭曲形變有良好的魯棒性。另外,它采用了稀疏連接和權(quán)值共享,極大減少了神經(jīng)網(wǎng)絡模型的參數(shù)個數(shù)。然而,卷積神經(jīng)網(wǎng)絡需要對整個目標進行處理,對于一些復雜目標,模型需要大量的中間節(jié)點,計算量大。其次,卷積神經(jīng)網(wǎng)絡只能進行監(jiān)督學習,所有訓練樣本都需要事先正確標注。另外,隨著網(wǎng)絡深度的增加,模型參數(shù)越來越難在各層之間有效地傳遞,這樣限制了參數(shù)的自適應學習。所有這些不足阻礙了卷積神經(jīng)網(wǎng)絡模型的廣泛應用。本文提出了一種基于卷積神經(jīng)網(wǎng)絡的新型目標檢測模型,有效地解決了這些問題。首先,本文模型采用了部件檢測模塊,將復雜目標切分為多個部件分別檢測,降低了計算量。其次,本文提出了一種隱式訓練方法,能夠訓練模型從未標注的樣本中確定隱藏變量的標簽,進而學習目標的分類規(guī)則。最后,本文還提出了兩段式學習方案,借鑒“預訓練”的思想逐步疊加網(wǎng)絡的規(guī)模,避免了參數(shù)學習受限。在公共的靜態(tài)行人檢測庫INRIA[1]和數(shù)字角點庫A-MNIST上的實驗驗證了本文模型優(yōu)于現(xiàn)有的主要檢測模型。
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.41;TP183

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 王雪光,郭艷兵,齊占慶;激活函數(shù)對BP網(wǎng)絡性能的影響及其仿真研究[J];自動化技術(shù)與應用;2002年04期

，

本文編號：1286889