基于改进卷积神经网络的目标检测研究

发布时间：2021-01-24 04:57

　　目标检测是很多计算机视觉任务的基础,关于它的研究对智能交通、智能监控、军事制导以及医学手术等领域的发展有着极其重要的作用。早期的目标检测算法大多都是基于手工设计的特征基础之上的,无法有效的表示图像特征。近年来,由于卷积神经网络（Convolution Neural Network,CNN）的提出,有效地克服了传统图像目标检测方法的局限性,已经成为目标检测研究领域的热点。该文基于对目标检测技术的国内外研究现状及现有算法的认真分析,结合CNN相关的研究理论,在经典目标检测框架基础上,提出了一些改进策略,论文主要工作包括:（1）针对经典CNN中卷积单元几何建模能力较差、ReLU（Rectified Linear Unit）激活函数容易导致神经元死亡的问题,提出了一种基于自适应感受野的DP-SSD（Deformable Parametric Single Shot Multibox Detector）目标检测方法。该方法在经典SSD框架的每一个池化层后面增加一个可变形卷积（Deformable Convolution,DC）结构,同时引入参数化线性修正单元PReLU（Parametric Re... 

【文章来源】：长沙理工大学湖南省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图２．２积分图示意图??

信度。除此之??夕卜，每个格子还要预测一个条件概率值Ｃ，即在该格子存在物体时，该物体属于某一??类别的概率。ＹＯＬＯ模型的训练分成预训练和测试模型训练。预训练阶段使用ＩｍａｇｅＮｅｔ??１０００－ｃｌａｓｓ数据集＿进行，主要训练前２０个卷积层、１个均值池化层以及１个全连接??层；测试模型训练时，向预训练模型中加入了４个卷积层和两层全连接层，在预训练??中获得的前２０个卷积层网络参数用于初始化ＹＯＬＯ模型的前２０个卷积层的网络参??数，然后使用ＰＡＳＣＡＬ?ＶＯＣ数据集［５３进行训练。图２．５为ＹＯＬＯ模型检测实例图。??ｂｏｕｎｄｉｎｇ?ｂｏｘｓ，??图２．５?ＹＯＬＯ模型检测实例图??如图２．５所示，ＹＯＬＯ模型在检测时首先把输入图像分为了?７ｘ７的网格，每一个??１４??

上的两个边界框的重叠度，取两者重叠度最大的边界框为目标的位置??框。ＹＯＬＯ模型简化了目标检测流程，使得检测速度大幅度提升且可以利用全局信息??进行预测，降低了背景误检率，但是也存在一些不足。例如，若有两个目标的中心同??时落入到一个网格中，由于ＹＯＬＯ中的每一个网格只负责预测一种目标，则模型只能??检测出其中一种物体，所以该方法在检测较小尺寸的目标时检测的效果并不太理想。??针对第一版ＹＯＬＯ模型存在的问题，研究者们积极探索，后面又陆续推出了?Ｙ〇Ｌ０ｖ２、??Ｙ０Ｌ０ｖ３等版本。图２．６为部分目标检测算法发展历程图，其中，横坐标表示算法提??出年份，纵坐标为算法的平均检测精度（ｍＡＰ）?［５化数据均是基于ＰＡＳＣＡＬ?ＶＯＣ数??据集。??ｍＡＰＪ?ＹＯＬＯｖ２??Ｆａｓｔｅｒ?Ｒ－ＣＮＮ?ｐｐ＾?ｍＡＰ：?７８?６??ＦＰＳ：?７?ｍＡＰ：?７４．３??ｍＡＰ：?７３．２??Ｆａｓｔ?Ｒ－ＣＮＮ??ＦＰｓ：?０．５??ｍＡＰ：?７０??匪??＂＾：６３４???１?１?１?１?）??２００８?２０１５?２０１６?２０１７?Ｙｅａｒ??图２．６目标检测算法发展历程图??２．３卷积神经网络??２．３．１经典卷积神经网络??卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＣＮＮ）是深度学习中使用最广泛的框??架之一，由于其对图像数据拥有独特的处理优势，所以在图形图像分类、检测等方面??表现非常优异。随着神经网络快速的发展，产生了很多经典的卷积神经网络，如??ＺＦＮｅｔ！５５］，ＶＧＧＮｅｔｌ５６】，ＧｏｏｇｌｅＮｅｔ以及ＲｅｓＮｅｔ等。这些卷积神经网络在口标的检测与??

【参考文献】：
期刊论文
[1]两层级联卷积神经网络的人脸检测[J]. 张海涛,李美霖,董帅含.  中国图象图形学报. 2019(02)
[2]Near Infrared Star Centroid Detection by Area Analysis of Multi-Scale Super Pixel Saliency Fusion Map[J]. Xiaohu Yuan,Shaojun Guo,Chunwen Li,Bin Lu,Shuli Lou.  Tsinghua Science and Technology. 2019(03)
[3]基于改进候选区域网络的红外飞机检测[J]. 姜晓伟,王春平,付强.  激光与红外. 2019(01)
[4]基于可变形卷积神经网络的遥感影像密集区域车辆检测方法[J]. 高鑫,李慧,张义,闫梦龙,张宗朔,孙显,孙皓,于泓峰.  电子与信息学报. 2018(12)
[5]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟.  上海大学学报(自然科学版). 2018(03)
[6]改进区域卷积神经网络的机场检测方法[J]. 朱明明,许悦雷,马时平,唐红,辛鹏,马红强.  光学学报. 2018(07)
[7]应用卷积神经网络与RPN的交通标志识别[J]. 谭台哲,卢剑彪,温捷文,李楚宏,凌伟林.  计算机工程与应用. 2018(21)
[8]基于深度残差网络的高光谱遥感数据霾监测[J]. 陆永帅,李元祥,刘波,刘辉,崔林丽.  光学学报. 2017(11)
[9]卷积神经网络在脑脊液图像分类上的应用[J]. 龚震霆,陈光喜,曹建收.  计算机工程与设计. 2017(04)
[10]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)



本文编号：2996618