目標(biāo)檢測任務(wù)是計算機(jī)視覺領(lǐng)域的基本問題之一,而基于監(jiān)督學(xué)習(xí)的目標(biāo)檢測算法是當(dāng)前目標(biāo)檢測算法研究領(lǐng)域的主流,這導(dǎo)致了在大多數(shù)的情況下,一個高精度的標(biāo)注數(shù)據(jù)集仍然目標(biāo)檢測模型能夠獲得良好性能的必要前提。然而,在很多實際的生產(chǎn)生活的場景中,高昂的圖像獲取成本和專家標(biāo)注的難度導(dǎo)致了高質(zhì)量圖像標(biāo)注的獲取非常費時費力。隨著深度學(xué)習(xí)技術(shù)與理論的不斷發(fā)展,如何通過低質(zhì)量的訓(xùn)練數(shù)據(jù)訓(xùn)練高質(zhì)量的目標(biāo)檢測模型具有很高的研究意義和實用價值。針對這一問題本文提出了一種基于注意力機(jī)制的弱監(jiān)督目標(biāo)檢測算法。使用注意力機(jī)制對信息進(jìn)行篩選的能力來強(qiáng)化卷積神經(jīng)網(wǎng)絡(luò)本身的目標(biāo)定位的屬性,并以此為基礎(chǔ)實現(xiàn)了在弱監(jiān)督數(shù)據(jù)集下訓(xùn)練出可以進(jìn)行粗略目標(biāo)檢測的模型。本文還針對注意力機(jī)制本身存在的一些問題進(jìn)行了深入的研究和實驗,通過往整個算法中添加注意力顯著圖合并算法和結(jié)果細(xì)化算法進(jìn)一步提高弱監(jiān)督目標(biāo)檢測模型的整體效果,本文的主要研究內(nèi)容和成果如下:1、使用算法模擬了人類在認(rèn)識事物時使用的注意力機(jī)制并將其應(yīng)用于弱監(jiān)督目標(biāo)檢測任務(wù),實現(xiàn)了僅使用圖像級別標(biāo)注數(shù)據(jù)訓(xùn)練高準(zhǔn)確度的目標(biāo)檢測模型的目的。2、注意力機(jī)制的特點會導(dǎo)致其傾向于局部最優(yōu)解和...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于多示例學(xué)習(xí)的弱監(jiān)督目標(biāo)檢測方法
        1.2.2 基于圖像分割方法的弱監(jiān)督目標(biāo)檢測方法
        1.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的弱監(jiān)督目標(biāo)檢測方法
    1.3 論文主要研究內(nèi)容及創(chuàng)新點
    1.4 論文章節(jié)安排
第2章 基于注意力機(jī)制的目標(biāo)檢測模型
    2.1 注意力機(jī)制介紹
    2.2 基于注意力機(jī)制的目標(biāo)檢測模型設(shè)計
        2.2.1 數(shù)學(xué)原理
        2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)與設(shè)計
    2.3 注意力顯著圖的擴(kuò)充算法
    2.4 本章小結(jié)
第3章 針對一般目標(biāo)檢測的結(jié)果細(xì)化算法
    3.1 Canny邊緣檢測算法
        3.1.1 高斯濾波
        3.1.2 梯度
        3.1.3 非極大值抑制
        3.1.4 雙閾值邊緣檢測
    3.2 基于深度學(xué)習(xí)的邊緣提取算法
        3.2.1 候選邊緣點篩選
        3.2.2 高層次特征提取
        3.2.3 邊緣檢測網(wǎng)絡(luò)
        3.2.4 基于邊緣檢測結(jié)果的一般目標(biāo)檢測結(jié)果細(xì)化算法
    3.3 實驗與分析
        3.3.1 評價指標(biāo)
        3.3.2 PascalVOC2007目標(biāo)檢測數(shù)據(jù)集實驗
        3.3.3 PascalVOC2012目標(biāo)檢測數(shù)據(jù)集實驗
        3.3.4 醫(yī)療場景弱監(jiān)督目標(biāo)檢測試驗
    3.4 本章小結(jié)
第4章 針對自然場景文本檢測的結(jié)果細(xì)化算法
    4.1 筆畫寬度變換算法
        4.1.1 算法預(yù)處理
        4.1.2 筆畫寬度變換操作
        4.1.3 候選字符分組
        4.1.4 文本行聚合
    4.2 最大穩(wěn)定極值區(qū)域算法
        4.2.1 圖像預(yù)處理
        4.2.2 圖像灰度遍歷
        4.2.3 關(guān)鍵區(qū)域判別
    4.3 基于統(tǒng)計的文本檢測結(jié)果細(xì)化算法
    4.4 實驗與分析
        4.4.1 評價指標(biāo)
        4.4.2 MSRA-TD500數(shù)據(jù)集實驗
        4.4.3 ICDAR2013數(shù)據(jù)集實驗
        4.4.4 ICDAR2015數(shù)據(jù)集實驗
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果



本文編號：3777025