基于深度学习的图像目标检测方法研究

发布时间：2021-05-13 22:39

　　图像目标检测是计算机视觉领域的核心问题之一,也是高层语义分析的基础性问题,在智能驾驶、安防监控以及战场侦察等领域均有着广泛应用。近年来,随着深度卷积神经网络的引入,图像目标检测领域的研究取得了突破性进展,然而图像目标检测在实际应用中依然面临着一系列的挑战,例如:小目标检测、算法准确率和计算量的权衡、目标尺度变化范围较大和跨模态知识迁移等。本文以深度卷积神经网络为技术手段,从图像目标检测网络处理流程的角度,探索分步预测、渐近预测和单步预测等不同的信息利用方式,以追求既能增强检测率又能减少算法计算量的检测方法,主要研究内容及创新点如下:1、在双阶段目标检测框架下,本文提出一种基于反向特征增强和空间分布保持的分步预测检测方法,增强了检测器对目标尺度自适应的能力。具体而言,在检测器的第一阶段采用一种反向特征增强网络,将高层特征图逐层反向和低层特征图进行融合,使得低层特征图在保持较高空间分辨率的同时具备了较高的特征判别力,从而极大提高了小目标的召回率;其次,在检测器的第二阶段采用一种空间分布保持网络,该网络结构能够在不断抽象目标区域特征的同时保留特征的空间分布信息,从而提高了目标候选框的定位精度... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：141 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 图像目标检测的概念及处理框架
        1.2.1 图像目标检测的算法框架
        1.2.2 图像目标检测的算法要素
    1.3 影响检测性能的主要因素
        1.3.1 网络架构
        1.3.2 锚框
    1.4 迁移学习的研究现状
    1.5 图像目标检测面临的难点问题
    1.6 课题研究内容及组织结构
第二章 基于特征增强的双阶段目标检测
    2.1 问题提出
    2.2 问题分析与解决思路
    2.3 ITVD算法构造
        2.3.1 基本框架
        2.3.2 反向特征增强网络(BFEN)
        2.3.3 空间分布保持网络(SLPN)
        2.3.4 软式难样本挖掘策略
        2.3.5 网络训练
    2.4 实验结果与分析
        2.4.1 实验设定
        2.4.2 模块分析
        2.4.3 与当前领先算法的对比分析
    2.5 本章小结
第三章 基于渐近定位拟合的单阶段目标检测
    3.1 问题提出
    3.2 问题分析与解决思路
    3.3 ALFNet算法构造
        3.3.1 基本框架
        3.3.2 渐近定位拟合
        3.3.3 卷积预测模块
        3.3.4 算法框架
        3.3.5 训练和测试
    3.4 实验结果与分析
        3.4.1 实验设定
        3.4.2 模块分析
        3.4.3 与当前领先算法的对比分析
        3.4.4 不同尺度目标检测性能对比
    3.5 本章小结
第四章 基于中心点定位的无“锚框”目标检测
    4.1 研究动机
    4.2 研究思路
    4.3 算法原理和实现
        4.3.1 基本框架
        4.3.2 CSP算法构造
        4.3.3 网络训练
        4.3.4 网络测试
    4.4 实验结果与分析
        4.4.1 实验设定
        4.4.2 模块分析
        4.4.3 与当前领先算法的对比分析
        4.4.4 不同尺度目标检测性能评估
    4.5 本章小结
第五章 基于无监督迁移学习的红外图像目标检测
    5.1 问题提出
    5.2 自适应网络迁移学习
        5.2.1 基本思路
        5.2.2 特征可视化分析
    5.3 基于生成对抗网络(GAN)的伪红外图像数据生成
        5.3.1 对抗生成网络(GAN)基本原理
        5.3.2 基于Pix2Pix GAN的伪红外图像数据生成
        5.3.3 基于Cycle GAN的伪红外图像数据生成
    5.4 实验结果与分析
        5.4.1 实验设定
        5.4.2 自适应网络迁移学习实验分析
        5.4.3 伪红外图像数据生成实验分析
    5.5 本章小结
第六章 结论与展望
    6.1 本文工作总结
    6.2 下一步研究方向
致谢
参考文献
作者在学期间取得的学术成果
附录A 深度卷积神经网络基本原理
    A.1 网络基本元素——层
    A.2 经典网络模型架构
    A.3 训练方法
附录B 本文实验所采用的数据集简介



本文编号：3184829