目標(biāo)檢測(cè)算法的任務(wù)是檢測(cè)出場(chǎng)景中物體的類別以及對(duì)物體進(jìn)行定位,近年來(lái)基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法取得了良好的檢測(cè)效果,可以適用多種場(chǎng)景。但是目前算法也存在著諸多缺點(diǎn),例如在密集和相互遮擋的情況下,目標(biāo)檢測(cè)效果不理想、目標(biāo)存在誤檢漏檢現(xiàn)象。針對(duì)這些缺點(diǎn),本文基于FPN算法提出兩種改進(jìn)方案,主要工作和研究?jī)?nèi)容如下:(1)針對(duì)在復(fù)雜場(chǎng)景中網(wǎng)絡(luò)對(duì)目標(biāo)提取特征信息不充分的問(wèn)題,使用Inception結(jié)構(gòu)并結(jié)合語(yǔ)義分割模型中的編解碼結(jié)構(gòu),提出在算法中使用多分支特征網(wǎng)絡(luò)對(duì)圖像提取局部特征信息。針對(duì)正負(fù)樣本數(shù)目不平衡和難易樣本數(shù)目不平衡對(duì)檢測(cè)效果的影響,采用focal loss替換FPN算法中的分類損失函數(shù)。同時(shí)針對(duì)經(jīng)常出現(xiàn)的目標(biāo)重疊情況,提出在損失函數(shù)中加入遮擋損失來(lái)使目標(biāo)預(yù)測(cè)框和其對(duì)應(yīng)的真實(shí)框更可能接近,并遠(yuǎn)離其他的目標(biāo)預(yù)測(cè)框。最后通過(guò)實(shí)驗(yàn)證明改進(jìn)算法可以提升目標(biāo)的檢測(cè)準(zhǔn)確率,并且提高了復(fù)雜背景下的目標(biāo)檢測(cè)性能。(2)本文提出了多尺度特征融合的目標(biāo)檢測(cè)網(wǎng)絡(luò)。首先,針對(duì)殘差網(wǎng)絡(luò)高層特征圖分辨率小的局限性,提出聯(lián)合擴(kuò)張卷積——?dú)埐罹W(wǎng)絡(luò)來(lái)增大高層特征圖的感受野。為了結(jié)合淺層網(wǎng)絡(luò)的位置信息和深層網(wǎng)絡(luò)... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外的研究現(xiàn)狀及分析
        1.2.1 傳統(tǒng)的目標(biāo)檢測(cè)算法
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法
    1.3 論文研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 目標(biāo)檢測(cè)算法基礎(chǔ)
    2.1 神經(jīng)網(wǎng)絡(luò)
        2.1.1 神經(jīng)元模型
        2.1.2 神經(jīng)網(wǎng)絡(luò)模型
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
    2.3 基于候選區(qū)域的目標(biāo)檢測(cè)算法
        2.3.1 R-CNN算法
        2.3.2 SPP-Net算法
        2.3.3 Fast R-CNN算法
        2.3.4 Faster R-CNN算法
        2.3.5 FPN算法
    2.4 基于回歸的目標(biāo)檢測(cè)算法
        2.4.1 YOLO算法
        2.4.2 SSD算法
    2.5 目標(biāo)檢測(cè)數(shù)據(jù)集和評(píng)價(jià)標(biāo)準(zhǔn)
        2.5.1 數(shù)據(jù)集
        2.5.2 評(píng)價(jià)標(biāo)準(zhǔn)
    2.6 本章小結(jié)
第3章 基于多分支特征網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究
    3.1 多分支特征網(wǎng)絡(luò)
        3.1.1 Inception模塊
        3.1.2 語(yǔ)義分割模型
        3.1.3 Scale Net網(wǎng)絡(luò)
    3.2 損失函數(shù)
        3.2.1 FPN算法損失函數(shù)
        3.2.2 focal loss損失函數(shù)
        3.2.3 遮擋損失函數(shù)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)環(huán)境
        3.3.2 參數(shù)設(shè)置
        3.3.3 結(jié)果對(duì)比分析
    3.4 本章小結(jié)
第4章 多尺度特征融合的目標(biāo)檢測(cè)網(wǎng)絡(luò)研究
    4.1 優(yōu)化殘差網(wǎng)絡(luò)
        4.1.1 殘差網(wǎng)絡(luò)
        4.1.2 擴(kuò)張卷積
        4.1.3 聯(lián)合擴(kuò)張卷積——?dú)埐罹W(wǎng)絡(luò)
    4.2 特征金字塔網(wǎng)絡(luò)
        4.2.1 金字塔池化網(wǎng)絡(luò)
        4.2.2 多尺度RPN網(wǎng)絡(luò)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 參數(shù)設(shè)置
        4.3.3 結(jié)果對(duì)比分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：2902301