隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展以及人們生活水平的不斷提升,對(duì)互聯(lián)網(wǎng)的應(yīng)用也越來(lái)越廣,要求也越來(lái)越高,從最初的查閱資料到滲透到生活中衣食住行等各個(gè)方面,例如,應(yīng)用到人臉識(shí)別、智能駕駛、目標(biāo)檢測(cè)以及目標(biāo)追蹤等領(lǐng)域。在應(yīng)用的同時(shí)對(duì)其性能的要求也越來(lái)越高,不僅要具有較高的準(zhǔn)確性,還需要及時(shí)性等。而提高準(zhǔn)確性的同時(shí)往往會(huì)帶來(lái)計(jì)算量的陡增,這就必然對(duì)計(jì)算機(jī)硬件等要求更高,而且還易導(dǎo)致其延時(shí),降低及時(shí)性。計(jì)算機(jī)硬件已經(jīng)有了質(zhì)的飛躍,5G時(shí)代的到來(lái)無(wú)疑是人工智能發(fā)展的一個(gè)窗口期。而深度學(xué)習(xí)作為人工智能的一個(gè)重要分支,其重要性不言而喻,卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）作x為深度學(xué)習(xí)領(lǐng)域的杰出代表,更是受到相關(guān)研究者的追捧。本文就是從卷積神經(jīng)網(wǎng)絡(luò)的原理出發(fā)進(jìn)行研究,通過(guò)設(shè)計(jì)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高其網(wǎng)絡(luò)的準(zhǔn)確率,并且盡量降低網(wǎng)絡(luò)參數(shù),使其更具實(shí)用性。利用圖像分類識(shí)別對(duì)其進(jìn)行性能檢驗(yàn),在此基礎(chǔ)上對(duì)目標(biāo)檢測(cè)進(jìn)行研究并改進(jìn)。本文最終將其應(yīng)用于動(dòng)態(tài)人數(shù)檢測(cè)。本文主要研究?jī)?nèi)容包括以下四個(gè)方面:（1）通過(guò)設(shè)計(jì)樹叉型卷積神經(jīng)網(wǎng)絡(luò),利用多卷積核進(jìn)行交叉卷積,采用split-transf... 

【文章來(lái)源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)檢測(cè)變遷圖

廣西師范大學(xué)2020屆碩士研究生畢業(yè)學(xué)位論文6第2章卷積神經(jīng)網(wǎng)絡(luò)及目標(biāo)檢測(cè)理論基礎(chǔ)2.1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域，其屬于人工智能的一個(gè)分支。計(jì)算機(jī)視覺就是告訴計(jì)算機(jī)如何理解圖像，比如目前的人臉識(shí)別[56]、自動(dòng)駕駛以及美圖秀秀等。同時(shí)還可以處理音頻以及文本等消息，只要數(shù)據(jù)能夠轉(zhuǎn)化為圖像格式均能將其進(jìn)行處理。卷積神經(jīng)網(wǎng)絡(luò)其實(shí)就是一個(gè)函數(shù)，有輸入輸出，其輸入就是一個(gè)二維的像素陣列，也就是圖片；輸出就是圖片內(nèi)容是什么。如圖2-1所示，圖片中是一個(gè)X，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)，其輸出就是X；圖片中是一個(gè)O，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)，其輸出就是O。哪怕圖片經(jīng)過(guò)平移、縮放、旋轉(zhuǎn)、局部加厚或者整體加厚，依舊不會(huì)誤導(dǎo)計(jì)算機(jī)，其魯棒性和抗干擾性較強(qiáng)。對(duì)于人眼來(lái)說(shuō)，一眼就能看出圖2-1是X，但對(duì)于計(jì)算機(jī)來(lái)說(shuō)，只能看到其像素的列陣，比如在灰度圖中就表示為1或-1，1表示亮的，-1表示暗的。對(duì)于計(jì)算機(jī)來(lái)說(shuō)，如何對(duì)數(shù)據(jù)進(jìn)行提取至關(guān)重要，所以這也是卷積神經(jīng)網(wǎng)絡(luò)需要解決的問(wèn)題。圖2-1卷積神經(jīng)網(wǎng)絡(luò)流程圖如圖2-2所示，雖然圖像經(jīng)過(guò)了旋轉(zhuǎn)，但其依舊保留了原有圖像的某些特征。例如圖2-2中，原圖左上角黃色方框中的對(duì)角線旋轉(zhuǎn)后依舊存在，中間紅色方框中的X旋轉(zhuǎn)后依舊存在，左下角藍(lán)色方框中的斜對(duì)角線旋轉(zhuǎn)后也依舊存在。那么就可以通過(guò)識(shí)別出這些特征，這些扭轉(zhuǎn)、扭曲后的圖片對(duì)應(yīng)于原圖的新特征，從而發(fā)現(xiàn)其與原圖的相似性。如圖2-2中的這三個(gè)特征，將其提取出來(lái)作為卷積核，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)左上角的卷積核對(duì)原圖進(jìn)行卷積操作，這就相當(dāng)于將原圖中包含左上角卷積核中的這種特征提取出來(lái)。

廣西師范大學(xué)2020屆碩士研究生畢業(yè)學(xué)位論文7圖2-2圖像旋轉(zhuǎn)卷積神經(jīng)網(wǎng)絡(luò)中卷積核的數(shù)量以及卷積核的大小均由網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)而成，如圖2-5中，卷積核的大小為3*3，其大小即為人為設(shè)定。但卷積核中的參數(shù)非人為設(shè)定，其參數(shù)首先進(jìn)行隨機(jī)初始化，然后通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練不斷地對(duì)其進(jìn)行更新，從而最終獲得卷積核中比較需要的特征。圖2-3卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖2-3所示，其卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步驟如下：

【參考文獻(xiàn)】：
期刊論文
[1]基于特征金字塔網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法[J]. 施澤浩.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(03)
[2]改進(jìn)的深度卷積網(wǎng)絡(luò)在交通標(biāo)志識(shí)別中的應(yīng)用[J]. 楊遠(yuǎn)飛,曾上游,甘曉楠,馮燕燕,周悅.  電視技術(shù). 2017(Z4)
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測(cè)量技術(shù). 2017(11)
[4]實(shí)時(shí)目標(biāo)檢測(cè)算法YOLO的批再規(guī)范化處理[J]. 溫捷文,戰(zhàn)蔭偉,凌偉林,郭燦樟.  計(jì)算機(jī)應(yīng)用研究. 2018(10)
[5]基于卷積定理的人臉驗(yàn)證CNN模型加速[J]. 劉波,郭申.  北京工業(yè)大學(xué)學(xué)報(bào). 2017(11)
[6]基于稀疏卷積核的卷積神經(jīng)網(wǎng)絡(luò)研究及其應(yīng)用[J]. 葉會(huì)娟,劉向陽(yáng).  信息技術(shù). 2017(10)
[7]視覺目標(biāo)跟蹤現(xiàn)狀與發(fā)展[J]. 藍(lán)龍,張翔,駱志剛.  國(guó)防科技. 2017(05)
[8]基于深度學(xué)習(xí)算法的圖像集識(shí)別[J]. 張玉冰,于威威.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2017(21)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述[J]. 李旭冬,葉茂,李濤.  計(jì)算機(jī)應(yīng)用研究. 2017(10)
[10]基于運(yùn)動(dòng)區(qū)域Viola-Jones算法的視頻人臉檢測(cè)[J]. 彭明莎,劉翠響.  電子設(shè)計(jì)工程. 2015(21)

碩士論文
[1]輕量化卷積神經(jīng)網(wǎng)絡(luò)研究與應(yīng)用[D]. 周悅.廣西師范大學(xué) 2019
[2]基于深度學(xué)習(xí)的超市商品圖像識(shí)別方法研究[D]. 胡正委.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[3]人工智能對(duì)人的主體性影響研究[D]. 李能.貴州師范大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建[D]. 楊莉.鄭州大學(xué) 2017
[5]視頻監(jiān)控場(chǎng)景中人數(shù)統(tǒng)計(jì)方法的研究與應(yīng)用[D]. 劉鵬飛.電子科技大學(xué) 2017
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[D]. 張榮磊.山東理工大學(xué) 2017
[7]目標(biāo)快速檢測(cè)算法的研究[D]. 朱倩.電子科技大學(xué) 2017



本文編號(hào)：3307369