圖像分類與檢測屬于計算機視覺領(lǐng)域重要的研究課題。本文首先研究圖像分類問題,然后進(jìn)一步深入研究圖像目標(biāo)檢測。對于圖像分類問題本文選擇脫機手寫漢字識別來進(jìn)行研究。對于圖像目標(biāo)檢測本文將分析現(xiàn)有的目標(biāo)檢測算法及其存在的不足,并對其進(jìn)行改進(jìn)。本文將基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法對脫機手寫漢字識別和目標(biāo)檢測進(jìn)行研究。主要研究內(nèi)容如下:(1)由于傳統(tǒng)脫機手寫漢字識別的過程復(fù)雜、精度低;而常用卷積神經(jīng)網(wǎng)絡(luò)的特征信息提取不充分。因此,本文設(shè)計了網(wǎng)絡(luò)模型CharacterNet。首先,通過多級堆疊的特征分組提取模塊,提取圖像的深層抽象特征信息,并進(jìn)行特征信息之間的交流融合;然后,利用設(shè)計的下采樣和通道擴增模塊,在降低特征維度的同時保留圖像重要信息。最后,將特征信息進(jìn)行精煉和濃縮,來解決特征信息的重疊和冗余問題。本文使用包含3755個漢字的CASIA-HWDB(V1.1)數(shù)據(jù)集對模型進(jìn)行訓(xùn)練和測試,實驗結(jié)果驗證了模型的有效性。(2)針對SSD目標(biāo)檢測算法平均檢測精度低,尤其對小目標(biāo)的檢測問題經(jīng)常出現(xiàn)漏檢和誤檢的問題,本文基于VGG網(wǎng)絡(luò)設(shè)計了多尺度融合的目標(biāo)檢測算法MFSSD。在算法中使用分步卷積拆分算法...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-11AlexNet網(wǎng)絡(luò)模型

燕山大學(xué)工學(xué)碩士學(xué)位論文-18-圖2-11AlexNet網(wǎng)絡(luò)模型(2)VGGNet網(wǎng)絡(luò)繼AlexNet網(wǎng)絡(luò)之后，牛津大學(xué)工程系利用3×3大小的卷積核來增加卷積神經(jīng)網(wǎng)絡(luò)的深度，并提出VGGNet網(wǎng)絡(luò)模型。VGGNet網(wǎng)絡(luò)通過加深網(wǎng)絡(luò)結(jié)構(gòu)，所以提取的特征更加豐富和抽象。此外，網(wǎng)絡(luò)最后....

圖3-5特征分組示意圖

燕山大學(xué)工學(xué)碩士學(xué)位論文-24-1133輸入特征分組特征整合+輸出特征整合特征整合特征整合特征整合特征整合特征整合特征整合特征整合5577553333111133333311圖3-4改進(jìn)網(wǎng)絡(luò)模塊2圖3-5特征分組示意圖雖然網(wǎng)絡(luò)寬度的增加對提升網(wǎng)絡(luò)性能有很大幫助，但是隨著寬度增加無....

圖3-13訓(xùn)練損失

燕山大學(xué)工學(xué)碩士學(xué)位論文-36-習(xí)率設(shè)置為一個固定的經(jīng)驗值，此時網(wǎng)絡(luò)的訓(xùn)練會達(dá)到比較不錯的效果，但是訓(xùn)練后期會出現(xiàn)平臺期，甚至出現(xiàn)效果下降的問題�；谝陨蠁栴}本文根據(jù)訓(xùn)練情況對學(xué)習(xí)率采取經(jīng)驗的手動調(diào)整，首先，將學(xué)習(xí)率設(shè)置為0.1來加快收斂速度；然后，當(dāng)訓(xùn)練到40000步時將學(xué)習(xí)率....

圖3-14訓(xùn)練準(zhǔn)確率

燕山大學(xué)工學(xué)碩士學(xué)位論文-36-習(xí)率設(shè)置為一個固定的經(jīng)驗值，此時網(wǎng)絡(luò)的訓(xùn)練會達(dá)到比較不錯的效果，但是訓(xùn)練后期會出現(xiàn)平臺期，甚至出現(xiàn)效果下降的問題。基于以上問題本文根據(jù)訓(xùn)練情況對學(xué)習(xí)率采取經(jīng)驗的手動調(diào)整，首先，將學(xué)習(xí)率設(shè)置為0.1來加快收斂速度；然后，當(dāng)訓(xùn)練到40000步時將學(xué)習(xí)率....

本文編號：4004577