基于增量学习的安检机危险品检测算法研究

发布时间：2020-08-09 21:00

【摘要】：在人员密集的地方,安检系统对于保证人们安全具有重要作用。目前大多安检系统已经实现智能化,但随着恐怖分子作案手段的升级出现了诸多异型危险品,现有的危险品知识先验模型无法有效覆盖,需通过扩充后数据集重新训练检测模型实现异型危险品的识别。但是,重新训练模型方法会造成模型训练效率低及训练时间随数据扩充而增加的问题。针对该问题,本文研究了一种能充分利用原模型并提高训练效率的增量学习目标检测算法。本文基于传统目标检测算法基本原理,在Fast rcnn网络基础上,为了避免训练过程中梯度消失,研究了基于Fast rcnn的增量学习目标检测算法。将特征提取网络替换为50层的残差网络;同时,向用于输出的全连接部分加入与新类个数相适应的分类神经元和边框回归神经元以实现对新增类别的学习,并设计损失函数使网络在学习新类目标的同时避免灾难遗忘。进一步,针对Fast rcnn网络需单独生成区域的问题,采用了Faster rcnn网络,并对其特征提取网络进行替换。重点研究了该目标检测框架下RPN候选框生成网络的增量学习算法,最后将增量学习思想应用在Faster rcnn框架中的分类和边框回归网络上,该算法提高了检测精度和训练速度。本文算法均在公开无人驾驶数据集和安检数据集上进行实验以验证可行性与有效性。实验结果表明,算法在新旧类上均获得了85%以上的检测置信度,即表明本文算法既能有效利用在旧类上训练网络参数,又能实现对新类目标的学习,从而改善训练模型效率低的问题。
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X924;TP18
【图文】：

结构图,神经元,人工神经元,激活函数

图 2.1 神经元组成结构人工神经元的本质就是依据以上工作原理形成的数理图形，其具体的工作机制如.2 所示。在该图中可以看到神经元会将输入信息经过线性加权以及求和来获取综合的结果，再将过程得到的综合结果送入激活函数中，进而获得其最终的结果。W1W2求和Wn激活函数输入1输入2输入n输出...图 2.2 人工神经元结构图2.神经网络的构造及工作原理

结构图,经典,结构图,目标检测

层叫做输出层，该层能输出最终的各类的得分值。2.2.2 卷积神经网络基本结构近来，大批科研工作者以及企业再一次将目光聚焦在深度学习的目标检测问题上。在基于深度学习的目标检测中，可以利用卷积神经网络的特征提取能力以及学习能力来取代繁琐的人工操作，这一优势极大地改进了对特征的获取性能。为了更好应用卷积神经网络，接下来将对其典型的结构和应用优势进行阐述。1.卷积神经网络的典型结构。卷积神经网络是人工神经网络中应用较为普遍的一种。卷积神经网络中较为经典的网络结构如图 2.3 所示，该结构可以用来实现手写数字识别功能。以下介绍该结构中涉及的典型操作。

示意图,卷积运算,示意图,子采样

图 2.4 卷积运算示意图) 子采样层样层又称为池化层。子采样过程可以通过三种合并方式来实现：(1)最均值合并;(3)随机合并。其具体实现的过程相当于对原始的图层打马赛赛克进行特征提取，从而实现运算数据量的减少。下面用最大池化来。最大池化如图 2.5 所示。池化操作的过程为：首先将图像分成四块，这些块之间不存在任何的重分割成的小区域中像素的最大值。将获得的最大值按照获取顺序形成同时要对最大值位置进行记录，为了便于反向传播时对相关值的复原积神经网络的优势神经网络结构之所以比较引人注目的原因为：实现了对感受区域中相进而极大程度地减少了需要调节的参数的数目。局部连接的方式虽然

【相似文献】