基于特征增强的SSD目标检测方法

发布时间：2021-07-03 06:53

　　目标检测是计算机视觉系统中最为关键的基础技术之一。对于现实世界中的许多人工智能系统而言,精准的目标定位是必不可少的,譬如目标追踪、识别和对齐等。目前,得益于卷积神经网络强大的特征提取能力,目标检测算法取得了突破性的进展。然而在某些对算法时间和空间复杂度要求较高的应用中,如无人机导航、安防领域和自动驾驶等,现有的实时目标检测算法在检测性能方面无法达到令人满意的效果。因此如何提高实时目标检测网络的准确率获得了广泛的关注。而现有对实时目标检测算法的改进工作大多是以牺牲时间和空间复杂度为代价,来换取准确率的提升。针对这一不足,本文以当前最先进的实时目标检测网络SSD为基础,设计了两种特征增强方法,分别从空间和通道的角度来提升卷积神经网络特征的判别性,在增加较少时间复杂度情况下,有效提升了SSD网络的检测准确率,并且减少了一定的空间复杂度。本文主要工作包含以下两方面:首先,针对目标特征提取过程中受周围背景或者无关目标干扰的问题,本文以SSD网络为基础提出了一种空间特征增强网络。这一网络借鉴人类视觉注意力机制,提出了一种轻量型的空间注意力模块,旨在以较小的代价使网络关注于检测场景中关键区域。该模块... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 研究现状
        1.2.2 技术难点
    1.3 论文组织架构
第二章 基于深度学习的目标检测
    2.1 经典目标检测网络
        2.1.1 Faster RCNN
        2.1.2 SSD(Single Shot Multibox Detector )
    2.2 基于特征增强的实时目标检测网络
        2.2.1 注意力机制
        2.2.2 特征融合
    2.3 目标检测常用数据集及评测指标
        2.3.1 Pascal VOC数据集
        2.3.2 MS COCO数据集
        2.3.3 评测指标
    2.4 本章小结
第三章 基于空间特征增强的SSD目标检测网络
    3.1 SSD网络的多尺度特征分析
        3.1.1 反卷积可视化
        3.1.2 特征图可视化
    3.2 基于轻型空间注意力机制的空间特征增强方法
        3.2.1 空间特征增强网络
        3.2.2 LSAM模块分析
    3.3 基于空间特征增强的目标检测实验
        3.3.1 实验环境及数据集
        3.3.2 模型训练
        3.3.3 实验结果及分析
        3.3.4 实例分析
    3.4 本章小结
第四章 基于通道特征增强的SSD目标检测网络
    4.1 SSD网络的通道特征冗余分析
    4.2 基于特征冗余的通道特征增强方法
        4.2.1 SSD通道特征增强网络
        4.2.2 CEM模块分析
    4.3 基于通道特征增强的目标检测实验
        4.3.1 训练过程
        4.3.2 实验结果及分析
    4.4 特征增强方法的融合实验
        4.4.1 模型训练
        4.4.2 实验结果及分析
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
致谢
作者简介



本文编号：3262103