隨著計算機智能化需求的發(fā)展,目標檢測作為計算機視覺中的重要組成部分也成為了近年來理論和應用的研究熱點。由于小目標廣泛存在于大視場圖片、遠距離成像圖片、特殊類別目標圖片中,因此小目標檢測的研究在圖像目標智能化定位和識別中具有重大的現實意義。目前,基于深度學習的小目標檢測在對具有一定特征的可見光圖像檢測時相比其他方法精度高、速度快,但網絡結構方法仍有較大改進空間。由于小目標分辨率低、信息量少、深層網絡對小目標特征表達能力弱,因此小目標檢測研究困難重重。針對如上問題,本文主要圍繞基于深度學習的小目標檢測方法展開研究,著重研究小目標檢測的網絡結構、小目標檢測的訓練策略、小目標檢測的網絡框架、小目標檢測的工程應用,主要研究工作分為以下三個部分:1、針對雙階段目標檢測器,為解決多尺度下小目標特征提取困難的問題,對Faster R-CNN與Mask R-CNN進行結構上的優(yōu)化,采用FPN結構對模型進行改進,分別使用Res Net50及Res Ne Xt101作為模型的骨架網絡,提高了網絡整體的檢測精度,并結合交叉訓練、學習率熱身、學習率動量調節(jié)等方法對網絡訓練方法進行改進。2、針對雙階段目標檢測器,... 

【文章來源】：中國科學院大學(中國科學院光電技術研究所)四川省

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

單階段檢測器與雙階段檢測器發(fā)展時間線

4目前來看小目標檢測研究較為有限，對于卷積核的尺度不變性仍沒有較好的解決方案，小目標檢測難以和目標檢測效果達到一致水平，因此仍需進一步研究。1.3目標檢測研究方向目標檢測的研究方向廣泛，學者們在網絡結構、學習策略、候選框生成、特征融合、Loss、目標框設定、激活函數、正則化、訓練方法等方面進行了研究改進。無論是單階段檢測器、還是雙階段檢測器，其網絡結構都可以分為骨架網絡、頸部網絡、頭部網絡，其中雙階段檢測器往往還包含了RPN結構。雙階段檢測器以典型的FasterR-CNN[12]為例，如圖1.2所示，能夠將結構分為骨架網絡、RPN、頸部網絡、頭部網絡。圖1.2FasterR-CNN網絡結構圖Figure1.2StructureofFasterR-CNN單階段檢測器，以YOLOv2[13]為例可分為骨架網絡、頸部網絡、頭部網絡，結構如圖1.3所示。圖1.3YOLOv2網絡結構圖Figure1.3StructureofYOLOv2目標檢測的骨架主要作用是進行特征提取，由于圖像識別網絡主要在特征提取部分進行研究，且圖像識別網絡研究超前于目標檢測模型研究，因此目標

4目前來看小目標檢測研究較為有限，對于卷積核的尺度不變性仍沒有較好的解決方案，小目標檢測難以和目標檢測效果達到一致水平，因此仍需進一步研究。1.3目標檢測研究方向目標檢測的研究方向廣泛，學者們在網絡結構、學習策略、候選框生成、特征融合、Loss、目標框設定、激活函數、正則化、訓練方法等方面進行了研究改進。無論是單階段檢測器、還是雙階段檢測器，其網絡結構都可以分為骨架網絡、頸部網絡、頭部網絡，其中雙階段檢測器往往還包含了RPN結構。雙階段檢測器以典型的FasterR-CNN[12]為例，如圖1.2所示，能夠將結構分為骨架網絡、RPN、頸部網絡、頭部網絡。圖1.2FasterR-CNN網絡結構圖Figure1.2StructureofFasterR-CNN單階段檢測器，以YOLOv2[13]為例可分為骨架網絡、頸部網絡、頭部網絡，結構如圖1.3所示。圖1.3YOLOv2網絡結構圖Figure1.3StructureofYOLOv2目標檢測的骨架主要作用是進行特征提取，由于圖像識別網絡主要在特征提取部分進行研究，且圖像識別網絡研究超前于目標檢測模型研究，因此目標


本文編號：3358353