基于深度学习的高精度目标检测技术研究
发布时间：2021-01-23 23:05
随着计算机视觉技术的不断发展,其在智慧城市、自动驾驶、安防监控等诸多领域的应用愈发广泛,而目标检测作为其中核心模块,检测质量将直接影响最终结果的优劣,高效、鲁棒的目标检测算法一直是计算机视觉领域的研究热点和难点问题。当前,基于深度学习的目标检测已成为研究趋势,越来越为人们所青睐。该类算法对海量标注数据进行自主学习以获取相应特征,借助监督训练生成特定检测模型,最终利用上述模型对未标注的图片进行目标检测,获得显著优于传统算法的检测结果。但是,随着深度学习技术的不断发展,对训练样本数据量的要求逐步增加,采用传统人工标注不仅耗时耗力,而且精度不高,在一定程度上制约了深度学习方法在目标检测领域的推广应用。因此,如何实现高精度、快速自动数据标注,成为提升目标检测算法效率的关键。基于此,本文围绕目前基于模型的自动标注方法存在标注精准度不高这一问题,提出了基于深度学习的高精度目标标注与检测技术研究,并在海康威视（HKVISION）检测平台上进行了测试,获得良好效果。论文具体工作包括以下几部分内容:1)针对当前目标检测模型进行分析,包括单个阶段的目标检测模型以及两个阶段的目标检测模型,分析各类模型在目标...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
上海市智能网联汽车道路测试车牌Figure1.1ShanghaiIntelligentNetworkUnitedVehicleRoadTestLicensePlate
图森未来科技L4级无人驾驶卡车Figure1.2TusimplefuturetechnologyL4driverlesstruck
重庆大学硕士学位论文8代表框内物体属于某一类的概率，检测网络所有的输出皆为矩形框。FastR-CNN系列目标检测算法均采用两个stage对目标进行检测，首先第一个stage对目标的大致位置进行检测定位(SS算法)，以及判断该位置是否包含物体，即识别该处是前景还是背景；第二个stage则是对物体进行进一步检测定位，其定位精度相对于第一个stage更加准确，另外，在第二个stage还对物体具体类别进行识别，进行具体的分类。采用这样的好处就是两级的检测回归，在定位方面准确度更高。图1.5采用FastR-CNN对图片中的文字目标进行检测Figure1.5TexttargetdetectioninpicturesusingFastR-CNN如图1.5所示是采用训练好的FastR-CNN目标检测模型对图片中的文字目标进行检测，可以看到图片中大部分文字目标都被检测到，检测到的文字采用红色框进行标注；检测框的置信度在框的上部进行标出。采用FasterR-CNN系列模型对图片进行目标检测，其检测步骤有两个stage。在第一个stage中，会对图片中的目标做一个粗略的定位，以及对粗略位置的目标进行前景背景分类，这个stage名称叫做RegionProposalNetwork(RPN)，获取到的粗略的定位框叫做RegionofInterest(RoI)；在第二个stage中，对图片中的RoI区域进行进一步的特征提娶更加准确的定位，以及对物体的具体类别进行区分，获取到物体的精准定位、分类及分类置信度，这个stage名称叫做RCNN。由于存
【参考文献】：
期刊论文
[1]基于特征金字塔算法的输电线路多尺度目标检测方法[J]. 刘业鹏,吴童桐,贾雪健,翟永杰. 仪器仪表用户. 2019(01)
[2]图森未来获得首张重卡自动驾驶道路测试牌照[J]. 商讯. 商用汽车. 2018(11)
[3]An interview with Dr.Raj Reddy on artificial intelligence[J]. FITEE editorial staff. Frontiers of Information Technology & Electronic Engineering. 2018(01)
博士论文
[1]基于深度学习的野外巡线系统图像目标检测研究[D]. 王振华.中国地质大学(北京) 2018
[2]面向图像目标识别和检测的深度神经网络关键技术研究[D]. 李扬.北京邮电大学 2018
硕士论文
[1]基于显著性的目标检测算法[D]. 鲍小如.南京邮电大学 2018
[2]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[3]基于Harris-SIFT算法的双目视觉立体匹配研究[D]. 赵丽丽.东北石油大学 2018
[4]基于CS-LBP与自适应神经网络的虹膜识别算法的研究[D]. 孟丹彤.东北师范大学 2018
[5]基于多尺度特征的目标检测算法研究[D]. 高鸣岐.哈尔滨工业大学 2018
[6]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[7]基于SIFT与互信息的SAR与可见光图像的配准研究[D]. 于丰.西安电子科技大学 2018
[8]基于HOG3D的三维CT腹部器官检测[D]. 苏博文.哈尔滨工业大学 2018
[9]基于计算机视觉的行人检测与人数统计算法研究[D]. 秦方.电子科技大学 2018
[10]基于L0-SVM特征选择算法的研究及在人脸识别中的应用[D]. 王云鹏.西安科技大学 2017
本文编号：2996080
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
上海市智能网联汽车道路测试车牌Figure1.1ShanghaiIntelligentNetworkUnitedVehicleRoadTestLicensePlate
图森未来科技L4级无人驾驶卡车Figure1.2TusimplefuturetechnologyL4driverlesstruck
重庆大学硕士学位论文8代表框内物体属于某一类的概率，检测网络所有的输出皆为矩形框。FastR-CNN系列目标检测算法均采用两个stage对目标进行检测，首先第一个stage对目标的大致位置进行检测定位(SS算法)，以及判断该位置是否包含物体，即识别该处是前景还是背景；第二个stage则是对物体进行进一步检测定位，其定位精度相对于第一个stage更加准确，另外，在第二个stage还对物体具体类别进行识别，进行具体的分类。采用这样的好处就是两级的检测回归，在定位方面准确度更高。图1.5采用FastR-CNN对图片中的文字目标进行检测Figure1.5TexttargetdetectioninpicturesusingFastR-CNN如图1.5所示是采用训练好的FastR-CNN目标检测模型对图片中的文字目标进行检测，可以看到图片中大部分文字目标都被检测到，检测到的文字采用红色框进行标注；检测框的置信度在框的上部进行标出。采用FasterR-CNN系列模型对图片进行目标检测，其检测步骤有两个stage。在第一个stage中，会对图片中的目标做一个粗略的定位，以及对粗略位置的目标进行前景背景分类，这个stage名称叫做RegionProposalNetwork(RPN)，获取到的粗略的定位框叫做RegionofInterest(RoI)；在第二个stage中，对图片中的RoI区域进行进一步的特征提娶更加准确的定位，以及对物体的具体类别进行区分，获取到物体的精准定位、分类及分类置信度，这个stage名称叫做RCNN。由于存
【参考文献】：
期刊论文
[1]基于特征金字塔算法的输电线路多尺度目标检测方法[J]. 刘业鹏,吴童桐,贾雪健,翟永杰. 仪器仪表用户. 2019(01)
[2]图森未来获得首张重卡自动驾驶道路测试牌照[J]. 商讯. 商用汽车. 2018(11)
[3]An interview with Dr.Raj Reddy on artificial intelligence[J]. FITEE editorial staff. Frontiers of Information Technology & Electronic Engineering. 2018(01)
博士论文
[1]基于深度学习的野外巡线系统图像目标检测研究[D]. 王振华.中国地质大学(北京) 2018
[2]面向图像目标识别和检测的深度神经网络关键技术研究[D]. 李扬.北京邮电大学 2018
硕士论文
[1]基于显著性的目标检测算法[D]. 鲍小如.南京邮电大学 2018
[2]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[3]基于Harris-SIFT算法的双目视觉立体匹配研究[D]. 赵丽丽.东北石油大学 2018
[4]基于CS-LBP与自适应神经网络的虹膜识别算法的研究[D]. 孟丹彤.东北师范大学 2018
[5]基于多尺度特征的目标检测算法研究[D]. 高鸣岐.哈尔滨工业大学 2018
[6]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[7]基于SIFT与互信息的SAR与可见光图像的配准研究[D]. 于丰.西安电子科技大学 2018
[8]基于HOG3D的三维CT腹部器官检测[D]. 苏博文.哈尔滨工业大学 2018
[9]基于计算机视觉的行人检测与人数统计算法研究[D]. 秦方.电子科技大学 2018
[10]基于L0-SVM特征选择算法的研究及在人脸识别中的应用[D]. 王云鹏.西安科技大学 2017
本文编号：2996080
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2996080.html
最近更新
教材专著
