基于深度學習的目標檢測與識別算法研究
發(fā)布時間：2020-12-11 00:38
道路交通目標的檢測與識別是智能交通運輸系統(tǒng)的關鍵環(huán)節(jié),能夠定位交通中車輛、行人目標的具體位置并輸出目標的所屬類別,對研究智能化交通有非常重要的意義。傳統(tǒng)目標檢測識別方法已取得了不錯的效果,但是易受到背景和光線明暗變化的影響,存在識別精確度較低等缺點。本文主要研究了基于深度學習的目標檢測與識別算法,重點解決了相似型車輛難區(qū)分以及圖像有效信息利用不足等問題,主要工作如下:（1）針對難以對相似型車輛進行更加精細準確分類的問題,提出一種基于殘差網絡改進的小型車輛目標檢測與識別的算法。算法將原有卷積神經網絡的構成模式改為一種基于局部連接和權值共享的殘差模式,并優(yōu)化網絡模型以減小復雜度,將圖像前層提取到的低層特征和后層提取到的高層特征融合合并計算,應用感興趣區(qū)域池化方法將其統(tǒng)一化成大小相同的特征矩陣,最后經過分類層和回歸層得到目標框的置信度以及修正參數。實驗表明,改進的模型能夠在保證時間效率的前提下增強網絡的學習能力,提高檢測平均精度,在相似小型車輛的檢測問題上取得了良好的檢測結果。（2）針對日常道路交通圖像中冗余信息過多、有效信息利用不足以及圖像中較遠、較模糊目標難以精確識別的問題,首先將卷積注...
【文章來源】：西安科技大學陜西省
【文章頁數】：59 頁
【學位級別】：碩士
【部分圖文】：
Sigmoid激活函數Sigmoid函數的輸出始終處于0到1區(qū)間，在輸入很大的情況下函數值無限接近于
2相關理論與技術15圖2.7Tanh激活函數由圖可知，Sigmoid和Tanh兩個函數圖像整體為S性，在對稱點附近的函數值變化快于遠離對稱點的函數值。相比于Sigmoid函數，Tanh的函數值范圍更廣，由于進行了均值化的操作，函數值始終保持在-1至1的區(qū)間。Tanh函數單調遞增處處可微，零均值的輸出使得它的非線性激活效果更好，改進梯度震蕩的問題，但是缺點與Sigmoid相同，反向傳播時仍然可能出現梯度消失的問題。早期的人工神經網絡主要使用這兩種激活函數，然而使用時計算量較大并存在梯度彌散[33]的現象。（3）ReLU激活函數ReLU(RectifiedLinearUnit)激活函數[34]如圖2.8所示，其函數表達式為：f(x)=max(0,x)(2.5)圖2.8ReLU激活函數當x<0時f(x)=0，當x>0時f(x)=x。ReLU函數相對于前兩種激活函數來說，
2相關理論與技術15圖2.7Tanh激活函數由圖可知，Sigmoid和Tanh兩個函數圖像整體為S性，在對稱點附近的函數值變化快于遠離對稱點的函數值。相比于Sigmoid函數，Tanh的函數值范圍更廣，由于進行了均值化的操作，函數值始終保持在-1至1的區(qū)間。Tanh函數單調遞增處處可微，零均值的輸出使得它的非線性激活效果更好，改進梯度震蕩的問題，但是缺點與Sigmoid相同，反向傳播時仍然可能出現梯度消失的問題。早期的人工神經網絡主要使用這兩種激活函數，然而使用時計算量較大并存在梯度彌散[33]的現象。（3）ReLU激活函數ReLU(RectifiedLinearUnit)激活函數[34]如圖2.8所示，其函數表達式為：f(x)=max(0,x)(2.5)圖2.8ReLU激活函數當x<0時f(x)=0，當x>0時f(x)=x。ReLU函數相對于前兩種激活函數來說，
【參考文獻】：
期刊論文
[1]智能駕駛中點云目標快速檢測與跟蹤[J]. 葉語同,李必軍,付黎明. 武漢大學學報(信息科學版). 2019(01)
[2]基于深度學習的醫(yī)學目標檢測與識別[J]. 楊潔,陳靈娜,陳宇韶,林穎,何嘯峰. 信息技術. 2018(10)
[3]改進的Faster RCNN煤礦井下行人檢測算法[J]. 李偉山,衛(wèi)晨,王琳. 計算機工程與應用. 2019(04)
[4]基于Faster R-CNN的食品圖像檢索和分類[J]. 梅舒歡,閔巍慶,劉林虎,段華,蔣樹強. 南京信息工程大學學報(自然科學版). 2017(06)
[5]基于深度學習的目標檢測算法綜述[J]. 周曉彥,王珂,李凌燕. 電子測量技術. 2017(11)
[6]基于卷積神經網絡的SAR圖像目標識別研究.[J]. 田壯壯,占榮輝,胡杰民,張軍. 雷達學報. 2016(03)
[7]深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川. 數據采集與處理. 2016(01)
[8]智能視頻監(jiān)控系統(tǒng)中運動目標檢測的研究[J]. 許亞軍,許慧芳,張艷春. 電視技術. 2014(09)
博士論文
[1]智能視頻監(jiān)控中的運動目標檢測與跟蹤技術研究[D]. 屈鑒銘.西安電子科技大學 2015
碩士論文
[1]基于注意力機制的三維超聲影像的多尺度目標識別的研究[D]. 王曉東.西安電子科技大學 2018
[2]基于卷積神經網絡與3D幾何語義的室內場景理解研究[D]. 張曉明.北京交通大學 2018
[3]城市環(huán)境基于三維激光雷達的自動駕駛車輛多目標檢測及跟蹤算法研究[D]. 葉剛.北京理工大學 2016
[4]基于深度學習的目標檢測算法研究及應用[D]. 萬維.電子科技大學 2015
本文編號：2909578
【文章來源】：西安科技大學陜西省
【文章頁數】：59 頁
【學位級別】：碩士
【部分圖文】：
Sigmoid激活函數Sigmoid函數的輸出始終處于0到1區(qū)間，在輸入很大的情況下函數值無限接近于
2相關理論與技術15圖2.7Tanh激活函數由圖可知，Sigmoid和Tanh兩個函數圖像整體為S性，在對稱點附近的函數值變化快于遠離對稱點的函數值。相比于Sigmoid函數，Tanh的函數值范圍更廣，由于進行了均值化的操作，函數值始終保持在-1至1的區(qū)間。Tanh函數單調遞增處處可微，零均值的輸出使得它的非線性激活效果更好，改進梯度震蕩的問題，但是缺點與Sigmoid相同，反向傳播時仍然可能出現梯度消失的問題。早期的人工神經網絡主要使用這兩種激活函數，然而使用時計算量較大并存在梯度彌散[33]的現象。（3）ReLU激活函數ReLU(RectifiedLinearUnit)激活函數[34]如圖2.8所示，其函數表達式為：f(x)=max(0,x)(2.5)圖2.8ReLU激活函數當x<0時f(x)=0，當x>0時f(x)=x。ReLU函數相對于前兩種激活函數來說，
2相關理論與技術15圖2.7Tanh激活函數由圖可知，Sigmoid和Tanh兩個函數圖像整體為S性，在對稱點附近的函數值變化快于遠離對稱點的函數值。相比于Sigmoid函數，Tanh的函數值范圍更廣，由于進行了均值化的操作，函數值始終保持在-1至1的區(qū)間。Tanh函數單調遞增處處可微，零均值的輸出使得它的非線性激活效果更好，改進梯度震蕩的問題，但是缺點與Sigmoid相同，反向傳播時仍然可能出現梯度消失的問題。早期的人工神經網絡主要使用這兩種激活函數，然而使用時計算量較大并存在梯度彌散[33]的現象。（3）ReLU激活函數ReLU(RectifiedLinearUnit)激活函數[34]如圖2.8所示，其函數表達式為：f(x)=max(0,x)(2.5)圖2.8ReLU激活函數當x<0時f(x)=0，當x>0時f(x)=x。ReLU函數相對于前兩種激活函數來說，
【參考文獻】：
期刊論文
[1]智能駕駛中點云目標快速檢測與跟蹤[J]. 葉語同,李必軍,付黎明. 武漢大學學報(信息科學版). 2019(01)
[2]基于深度學習的醫(yī)學目標檢測與識別[J]. 楊潔,陳靈娜,陳宇韶,林穎,何嘯峰. 信息技術. 2018(10)
[3]改進的Faster RCNN煤礦井下行人檢測算法[J]. 李偉山,衛(wèi)晨,王琳. 計算機工程與應用. 2019(04)
[4]基于Faster R-CNN的食品圖像檢索和分類[J]. 梅舒歡,閔巍慶,劉林虎,段華,蔣樹強. 南京信息工程大學學報(自然科學版). 2017(06)
[5]基于深度學習的目標檢測算法綜述[J]. 周曉彥,王珂,李凌燕. 電子測量技術. 2017(11)
[6]基于卷積神經網絡的SAR圖像目標識別研究.[J]. 田壯壯,占榮輝,胡杰民,張軍. 雷達學報. 2016(03)
[7]深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川. 數據采集與處理. 2016(01)
[8]智能視頻監(jiān)控系統(tǒng)中運動目標檢測的研究[J]. 許亞軍,許慧芳,張艷春. 電視技術. 2014(09)
博士論文
[1]智能視頻監(jiān)控中的運動目標檢測與跟蹤技術研究[D]. 屈鑒銘.西安電子科技大學 2015
碩士論文
[1]基于注意力機制的三維超聲影像的多尺度目標識別的研究[D]. 王曉東.西安電子科技大學 2018
[2]基于卷積神經網絡與3D幾何語義的室內場景理解研究[D]. 張曉明.北京交通大學 2018
[3]城市環(huán)境基于三維激光雷達的自動駕駛車輛多目標檢測及跟蹤算法研究[D]. 葉剛.北京理工大學 2016
[4]基于深度學習的目標檢測算法研究及應用[D]. 萬維.電子科技大學 2015
本文編號：2909578
本文鏈接：http://sikaile.net/shoufeilunwen/xixikjs/2909578.html
最近更新
教材專著
