行人檢測是計算機(jī)視覺領(lǐng)域中一個具有挑戰(zhàn)性的問題,也是許多視覺應(yīng)用的先決任務(wù),例如自動駕駛、視覺監(jiān)控和機(jī)器人技術(shù)等。在過去的十年中,行人檢測引起了廣泛的研究興趣,并取得了長足的進(jìn)步。特別是最近幾年,得益于深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展,通用目標(biāo)檢測領(lǐng)域取得了重大進(jìn)步。受此驅(qū)動,行人檢測也得到了迅速發(fā)展�；谏疃染矸e網(wǎng)絡(luò)的通用目標(biāo)檢測模型被不斷擴(kuò)展應(yīng)用到行人檢測領(lǐng)域,并取得了良好的性能。對于行人檢測任務(wù),本文提出了一種基于特征感受野增強(qiáng)的網(wǎng)絡(luò)模型結(jié)構(gòu)。當(dāng)前基于深度學(xué)習(xí)的行人檢測模型大多采用分而治之的策略來解決行人檢測中的尺度變化問題。在檢測時,每一個特征層的感受野大小是固定的,無法適應(yīng)實際情況中行人尺度的連續(xù)變化;而且這些檢測模型大多采用圖像分類中的骨干網(wǎng)絡(luò)作為特征提取器,這些骨干網(wǎng)絡(luò)僅僅具有方形的感受野,與行人的寬高比之間也存在著嚴(yán)重的不匹配;這些因素影響著行人檢測模型的性能。針對上述問題,本文提出了一種基于特征感受野增強(qiáng)的網(wǎng)絡(luò)模型作為解決方案。該方案利用感受野增強(qiáng)模塊多樣化從骨干網(wǎng)絡(luò)中提取的特征的感受野,以提供合適的感受野與行人的尺度大小相匹配,并利用多層次聚合模塊進(jìn)一步聚合多尺度特征層,即融... 

【文章來源】： 羅鵬飛 中國科學(xué)技術(shù)大學(xué)

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１人工神經(jīng)網(wǎng)絡(luò)??

才傳輸給下一個神經(jīng)元的特??性。而損失函數(shù)和優(yōu)化器方法則是研宄人員發(fā)明的，它們的功能是通過指導(dǎo)整??個卷積網(wǎng)絡(luò)的學(xué)習(xí)過程，達(dá)到設(shè)計者期望的輸出結(jié)果。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??ＩＮＰＵＴ?６＠２ｔａ２８９ｍａＰ８?Ｓ４：ｌ．ｍａｐ６ｌ６？５ＫＳ??Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??圖２．２?ＬｅＮｅｔ－５結(jié)構(gòu)圖丨叫??多層卷積網(wǎng)絡(luò)的不同層可以提取具有不同抽象程度的圖像特征信息，網(wǎng)絡(luò)??的淺層通常能夠捕捉到邊緣、紋理等圖像低層特征，而網(wǎng)絡(luò)的較深層能夠表示??提取到的高級語義特征，低層特征的不斷融合和抽象形成了高級語義特征。對??于深度卷積網(wǎng)絡(luò)的學(xué)習(xí)方式，請想象一條工廠流水線。輸入數(shù)據(jù)集這一原材料??后，它們會沿著傳送帶向下傳送，隨后的每個�？奎c也就是隱藏層，都會提取??出不同的高級特征信息。如果網(wǎng)絡(luò)旨在識別某個物體，則第一層可以分析圖像??中像素的亮度信息，然后下一層可以基于相似像素構(gòu)成的線來識別圖像中的邊??緣信息。此后，另一層可以識別紋理和形狀信息，以此類推。到第四或第五層??時，深度學(xué)習(xí)網(wǎng)絡(luò)將創(chuàng)建出復(fù)雜的特征檢測器，它可以確定某些圖像元素通常??一起出現(xiàn)，例如雙眼、鼻子和嘴巴。一旦特征提取完成，根據(jù)人類提供的數(shù)據(jù)??標(biāo)簽和網(wǎng)絡(luò)輸出結(jié)果之間的偏差，使用誤差反向傳播算法糾正網(wǎng)絡(luò)的錯誤。一??段時間后，網(wǎng)絡(luò)可以自動執(zhí)行分類任務(wù)，而無需人工幫助。??與一般的人工神經(jīng)網(wǎng)絡(luò)相比，卷積網(wǎng)絡(luò)具有許多優(yōu)點，首先是局部連接，??每

?第２章相關(guān)知識概述???驟，因此卷積操作的輸出也被稱為特征圖。當(dāng)以一定大小的卷積核在圖像上進(jìn)??行滑動卷積時，將會丟失圖像邊界的信息，通過引入填充操作在輸入圖像的邊??界處填充零值的像素，從而可以間接地擴(kuò)大圖像的大小，避免了圖像邊界處信??息的丟失。此外，為了控制卷積操作在圖像上滑動卷積的密度，采用了步長參??數(shù)，步長越大，卷積操作的密度越低。在卷積操作后，特征圖由大量特征組成，??容易引起過擬合問題。因此提出了池化操作也稱為下采樣操作來消除特征冗余。??池化操作如圖２．３所示，主要包括最大值池化和平均池化兩種方式。????０．?０?＂?ＴＴ?０?１?０?１?０?１?０??０?０?０?０?１?０?０?〇?．?〇?０?０?０?１?０?０?０??ＴＴＴＴ＂Ｆ＂ＦＴ?ＴＴＴＴＴＴＴＴＴ?ｖｒＬＥｙＥ??￣ｏ￣ＴＴＴＴＴＴ?＿?ＪＪ：?Ｔ?ｏ?ＴＴＴＴＴＴＴ?＾?＿＿??Ｔ?丁丁?７７?丁?７?ｌ?ＴＩ?丁?Ｔ７７?丁了?１Ｈ?Ａ?Ａ??????２?２?２?２?２?３??±±±±±±±?Ａ丄上丄７?丁了了?＾??０?０?１?０?０?１?０?０００１?丄?０１００??丄丄！丄?丄丄Ａ丄Ａ??ｉｕｐｕ，?ＹＴＴＶ〇?〇??圖２．３卷積網(wǎng)絡(luò)基本搡作示意圖Ｗｌ??此外，為了使卷積核能感知到更大的局部區(qū)域，膨脹卷積操作為卷積層引??入了一個額外的超參數(shù)膨脹率。圖２．４?（ａ）顯示了一個普通的３ｘ３卷積核，圖??２．４?（ｂ）和（ｃ）分別顯示了一個膨脹率為２的３ｘ３卷積核和一個膨脹率為４的??３ｘ３卷積核。膨脹卷積操作是在每個卷積核的權(quán)值之間填充零值元素。即使卷??積核有效的權(quán)值大小仍然

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLOv2模型的駕駛輔助系統(tǒng)實時行人檢測[J]. 白中浩,李智強(qiáng),蔣彬輝,王鵬輝.  汽車工程. 2019(12)
[2]深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J]. 鄭胤,陳權(quán)崎,章毓晉.  中國圖象圖形學(xué)報. 2014(02)
[3]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機(jī)應(yīng)用研究. 2012(08)
[4]行人檢測技術(shù)綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國榕,吳云東.  電子學(xué)報. 2012(04)

碩士論文
[1]面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動目標(biāo)檢測與異常行為分析[D]. 朱明凌.中國計量學(xué)院 2015



本文編號：3035328