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,對互聯(lián)網(wǎng)的應(yīng)用也越來越廣,要求也越來越高,從最初的查閱資料到滲透到生活中衣食住行等各個方面,例如,應(yīng)用到人臉識別、智能駕駛、目標檢測以及目標追蹤等領(lǐng)域。在應(yīng)用的同時對其性能的要求也越來越高,不僅要具有較高的準確性,還需要及時性等。而提高準確性的同時往往會帶來計算量的陡增,這就必然對計算機硬件等要求更高,而且還易導(dǎo)致其延時,降低及時性。計算機硬件已經(jīng)有了質(zhì)的飛躍,5G時代的到來無疑是人工智能發(fā)展的一個窗口期。而深度學(xué)習(xí)作為人工智能的一個重要分支,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)進行研究,通過設(shè)計改進卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高其網(wǎng)絡(luò)的準確率,并且盡量降低網(wǎng)絡(luò)參數(shù),使其更具實用性。利用圖像分類識別對其進行性能檢驗,在此基礎(chǔ)上對目標檢測進行研究并改進。本文最終將其應(yīng)用于動態(tài)人數(shù)檢測。本文主要研究內(nèi)容包括以下四個方面:（1）通過設(shè)計樹叉型卷積神經(jīng)網(wǎng)絡(luò),利用多卷積核進行交叉卷積,采用split-transf... 

【文章來源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標檢測變遷圖

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)及目標檢測理論基礎(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)用于計算機視覺領(lǐng)域，其屬于人工智能的一個分支。計算機視覺就是告訴計算機如何理解圖像，比如目前的人臉識別[56]、自動駕駛以及美圖秀秀等。同時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行處理。卷積神經(jīng)網(wǎng)絡(luò)其實就是一個函數(shù)，有輸入輸出，其輸入就是一個二維的像素陣列，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X，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)，其輸出就是X；圖片中是一個O，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)，其輸出就是O。哪怕圖片經(jīng)過平移、縮放、旋轉(zhuǎn)、局部加厚或者整體加厚，依舊不會誤導(dǎo)計算機，其魯棒性和抗干擾性較強。對于人眼來說，一眼就能看出圖2-1是X，但對于計算機來說，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。對于計算機來說，如何對數(shù)據(jù)進行提取至關(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，左下角藍色方框中的斜對角線旋轉(zhuǎn)后也依舊存在。那么就可以通過識別出這些特征，這些扭轉(zhuǎn)、扭曲后的圖片對應(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中的這三個特征，將其提取出來作為卷積核，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)左上角的卷積核對原圖進行卷積操作，這就相當于將原圖中包含左上角卷積核中的這種特征提取出來。

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)首先進行隨機初始化，然后通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練不斷地對其進行更新，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)練過程卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如圖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】：
期刊論文
[1]基于特征金字塔網(wǎng)絡(luò)的目標檢測算法[J]. 施澤浩.  現(xiàn)代計算機(專業(yè)版). 2018(03)
[2]改進的深度卷積網(wǎng)絡(luò)在交通標志識別中的應(yīng)用[J]. 楊遠飛,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)的目標檢測算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測量技術(shù). 2017(11)
[4]實時目標檢測算法YOLO的批再規(guī)范化處理[J]. 溫捷文,戰(zhàn)蔭偉,凌偉林,郭燦樟.  計算機應(yīng)用研究. 2018(10)
[5]基于卷積定理的人臉驗證CNN模型加速[J]. 劉波,郭申.  北京工業(yè)大學(xué)學(xué)報. 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]. 葉會娟,劉向陽.  信息技術(shù). 2017(10)
[7]視覺目標跟蹤現(xiàn)狀與發(fā)展[J]. 藍龍,張翔,駱志剛.  國防科技. 2017(05)
[8]基于深度學(xué)習(xí)算法的圖像集識別[J]. 張玉冰,于威威.  現(xiàn)代計算機(專業(yè)版). 2017(21)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機應(yīng)用研究. 2017(10)
[10]基于運動區(qū)域Viola-Jones算法的視頻人臉檢測[J]. 彭明莎,劉翠響.  電子設(shè)計工程. 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)的超市商品圖像識別方法研究[D]. 胡正委.中國科學(xué)技術(shù)大學(xué) 2018
[3]人工智能對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)控場景中人數(shù)統(tǒng)計方法的研究與應(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)的圖像識別算法研究[D]. 張榮磊.山東理工大學(xué) 2017
[7]目標快速檢測算法的研究[D]. 朱倩.電子科技大學(xué) 2017



本文編號：3307369