在計算機視覺以及模式識別領(lǐng)域,卷積神經(jīng)網(wǎng)絡(luò)是一種廣泛使用的技術(shù),近年來,隨著深度學(xué)習(xí)理論的發(fā)展,傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)因其較低的性能及過大的計算資源消耗,已不能滿足日益增長的需求,因此,需要研究新的方法來提高圖像分類與目標(biāo)檢測的效率。本文研究了用于圖像分類的空洞卷積模型及HDC模型,并提出了用于圖像目標(biāo)檢測的HDF-RCNN模型。具體工作如下:1)研究了卷積神經(jīng)網(wǎng)絡(luò)與目標(biāo)檢測的相關(guān)基礎(chǔ),分析了空洞卷積的原理與結(jié)構(gòu),搭建了空洞卷積模型,在Mnist手寫數(shù)字識別數(shù)據(jù)集上驗證了空洞卷積模型在提取圖像特征上的良好性能。實驗結(jié)果表明,空洞卷積模型的訓(xùn)練耗時比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)平均降低了11.31%,訓(xùn)練精度提升0.5%,但是,它的測試精度降低了0.18%。2)分析了空洞卷積模型中存在的不足,設(shè)計搭建了HDC模型,通過堆疊不同尺寸的空洞卷積核來構(gòu)成一個完整的,沒有空洞存在的卷積核。在寬波段遙感圖像數(shù)據(jù)集上測試了HDC模型以及與之結(jié)構(gòu)相同的傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)和空洞卷積模型的性能并將其對比,驗證了HDC模型的優(yōu)越性。實驗結(jié)果證明,HDC模型的訓(xùn)練耗時比空洞卷積模型平均降低了2.02%,訓(xùn)練精度和測試精度分別提升...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 課題研究現(xiàn)狀及發(fā)展趨勢
    1.3 本文研究內(nèi)容及組織結(jié)構(gòu)
        1.3.1 本文研究內(nèi)容
        1.3.2 本文組織結(jié)構(gòu)
2 圖像分類與目標(biāo)檢測相關(guān)基礎(chǔ)
    2.1 用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 反向傳播算法與常用激活函數(shù)
    2.2 常用優(yōu)化算法分析
        2.2.1 反向傳播常用優(yōu)化算法
        2.2.2 參數(shù)初始化方法
        2.2.3 自適應(yīng)學(xué)習(xí)率算法
    2.3 基于深度學(xué)習(xí)的圖像目標(biāo)檢測方法
        2.3.1 two-stage圖像目標(biāo)檢測方法
        2.3.2 one-stage圖像目標(biāo)檢測方法
    2.4 本章小結(jié)
3 用于圖像分類的空洞卷積模型
    3.1 空洞卷積模型原理
    3.2 空洞卷積模型設(shè)計
    3.3 空洞卷積模型測試
        3.3.1 數(shù)據(jù)集介紹
        3.3.2 模型評估指標(biāo)
        3.3.3 模型測試與實驗結(jié)果
    3.4 本章小結(jié)
4 用于圖像分類的HDC模型
    4.1 HDC模型原理
    4.2 HDC模型設(shè)計
    4.3 HDC模型測試
        4.3.1 測試數(shù)據(jù)集介紹
        4.3.2 模型測試與實驗結(jié)果
    4.4 本章小結(jié)
5 用于圖像目標(biāo)檢測的HDF-RCNN模型
    5.1 HDF-RCNN模型原理
    5.2 HDF-RCNN模型設(shè)計
    5.3 HDF-RCNN模型測試
        5.3.1 測試數(shù)據(jù)集介紹
        5.3.2 模型測試與實驗結(jié)果
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間的研究成果



本文編號：3756942