基于深度学习的通用目标检测方法研究
发布时间：2021-07-10 14:26
目标检测技术作为计算机视觉领域的核心研究课题之一,是重要的计算机视觉任务。近些年来,伴随着硬件计算能力的提升、大数据集的诞生以及深度学习技术的发展,目标检测性能得到极大提升。其中,深度卷积神经网络由于其结构优势,在图像特征提取方面有着传统目标检测难以比拟的优势,具有强大的特征提取能力和可学习性,能够有效地提取图像特征信息。现有的目标检测方法中,检测精度和检测速度始终无法兼顾,如何又好又快地实现目标的精准检测仍然是广大研究人员的一大难题。本文针对现有的目标检测框架中存在的精度和速度不能兼顾以及对小目标检测效果不佳等问题,在基于候选区域思想的目标检测算法基础上,提出了一种新型的基于卷积神经网络的方法,主要研究内容如下:（1）由于传统CNN网络模型的参数较多,特征图维度较高,导致内存占用大,数据量多,计算成本高,检测花费时间较长,同时也很难部署在内存资源有限的移动设备上。因此为了降低在特征提取阶段的参数,本文在用于提取特征的主干网络上,加上深度可分离卷积层,对特征图进行压缩,从而减小数据量,降低计算成本。深度可分离卷积通过将标准卷积分解为深度卷积与逐点卷积,分两步完成对图像特征的提取与合并,...
【文章来源】：浙江理工大学浙江省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
图２．２?ＺＦ－Ｎｅｔ结构示意图??（３）?ＶＧＧＮｅｔ??２０１４年，牛津大学的ｋａｒｅｎ?Ｓｉｍｏｎｙａｎ和Ａｎｄｒｅｗ?Ｚｉｓｓｅｒｍａｎ在之前的基础上建立了新??
ｓｈｏｒｔｃｕｔ”模块的残差映射关系描述是为（Ｆ（ｘ）＝Ｈ（Ｘ）－ｘ），而并非是一个学习的卷积层??函数Ｆ（ｘ）。如果运用ＲｅｓＮｅｔ对“ｓｈｏｒｔｃｕｔ”进行滤波处理，并能够量模块中的两层结构??转换为（１ｘ１，３ｘ３，１４）的三层结构，进而使参数的权重数量得到优化，当滤波器的结构??为ｌｘｌ时，模块中的参数权重数量会显著减少。ＲｅｓＮｅｔ结构的优化详情见图。??Ｆ（Ｘ?１?ｒｅｌＵ?＼?ｉｄｅｎｔｉｔｙ??Ｗｅｉｇｈｔ?ｌａｙｅｒ?Ｊ??Ｆ（ｘ）＋ｘ??”?ｒｅｌｕ??图２．３残差块示意图??２．２目标检测算法的发展历程??目标检测算法是一种使用较早的方法，其中包含了?ＨＯＧ算法、ＳＩＦＴ算法、ＳＵＲＦ算法。??随着学者们在检测方法上的不断探索，最终提出了深度学习算法，并通过对深度学习算法??的不断完善，使其逐渐在目标检测领域获得了广泛的使用。目标检测算法能够通过对网络??堆叠的特征来计算网络结构的函数损失数量，并结合特定公式来计算出目标所在的聚类特??征与最佳点位（Ｌｏｓｓ?Ｆｕｎｃｔｉｏｎ）。虽然传统目标检测方法和基于深度学习的目标检测方法在??计算的原理上存在较大区别，但两者都集成了对函数特征的类别划分、函数位置的最优解。??基于此，这两种方法在目标检测中需要研究的问题主要为以下三种：??？目标会随即出现在图像的任意点位上??？不同目标的形状存在较大差异??？不同目标的几何尺寸也不尽相同??１０??
ｊｒ．｜?Ｈ?ＧＣＮＮ?１?￣啲视?｜??４?ｇ化学习?｜?Ｈ?ＹＯＬＯ?Ｈ?ＹＯＬＯ９Ｃ０Ｃ?Ｈ?Ｙ〇ｌ〇＊３?ｊ?一》｜?外［????—６ｒｉｄＫＮＫ?｜??＊＼ＳＤ＂＂＂＂ｆ－?￣￣ＤＳＳＯ｜?????????，?．?更大ｆｉｍｉｎｉ３ａｔｄｉ｜??？｜?Ｍｅｇ３ｅｔ?｜??＾?ＤＳＭ?Ｉ????Ｌｆｉｉｒ］?Ｕ［ｗｉｉ｝－＾Ｃ＾Ｄ??，?，?—Ｈ?Ａ－Ｆａｓｔ－ＲＣＮＫ?Ｉ??ｊ?ＥＳＳＤ?Ｉ?１?１??＇一?—？｜?ＯＨＥＶ?｜??图２．４目标检测算法的发展历程??２．３深度学习目标检测法??随着学术界对图像分类检测算法研究的不断深入，深度学习算法对目标检测的质量不??断提高，并逐渐成为当前最具实用性的自动特征学习法。相较于传统目标检测算法，深度??学习算法能够通过对目标特征的预设，来优化学习的能力，并构建出具有丰富信息量的模??型特征。首先，深度学习算法能够通过两端的对接来实现端与端之间的学习，并实现对函??数的训练；其次在多层非线性变换处理的过程中，深度学习法能够通过图像的构建来描述??不同目标函数之间的惯性，从而免除了手工设计环节。上世纪９０年代，ＣＮＮ方法逐渐在??目标检测领域和目标定位领域获得了试验性应用，虽然初期获得了一定效果，但由于数据??训练能力非常有限，导致计算的结果存在较大偏差。２０１２年之前，ＣＮＮ算法的发展速度??较慢。但在２０１２之后，学术界对ＣＮＮ算法的研宄兴趣不断增加，并在ＩｍａｇｅＮｅｔ１５３１计算的??过程中发挥出了良好效用，使目标检测算法的计算准确性大幅提升。??深度学习算法在不同检测阶段产生效用也不尽相同，计算的机制存在较大区别，由
【参考文献】：
期刊论文
[1]基于深度学习的图像检索研究[J]. 杨馥溢,何嘉. 计算机与数字工程. 2019(09)
[2]人工智能在汽车自动驾驶中的应用[J]. 张美芳,王羽,郑碧琪,张凯帆. 汽车工业研究. 2019(03)
[3]人工智能在安防领域的应用研究[J]. 张加良. 自动化应用. 2019(08)
[4]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[5]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军. 计算机学报. 2019(03)
[6]现代智能视频监控研究综述[J]. 吴群,王田,王汉武,赖永炫,钟必能,陈永红. 计算机应用研究. 2016(06)
本文编号：3276085
【文章来源】：浙江理工大学浙江省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
图２．２?ＺＦ－Ｎｅｔ结构示意图??（３）?ＶＧＧＮｅｔ??２０１４年，牛津大学的ｋａｒｅｎ?Ｓｉｍｏｎｙａｎ和Ａｎｄｒｅｗ?Ｚｉｓｓｅｒｍａｎ在之前的基础上建立了新??
ｓｈｏｒｔｃｕｔ”模块的残差映射关系描述是为（Ｆ（ｘ）＝Ｈ（Ｘ）－ｘ），而并非是一个学习的卷积层??函数Ｆ（ｘ）。如果运用ＲｅｓＮｅｔ对“ｓｈｏｒｔｃｕｔ”进行滤波处理，并能够量模块中的两层结构??转换为（１ｘ１，３ｘ３，１４）的三层结构，进而使参数的权重数量得到优化，当滤波器的结构??为ｌｘｌ时，模块中的参数权重数量会显著减少。ＲｅｓＮｅｔ结构的优化详情见图。??Ｆ（Ｘ?１?ｒｅｌＵ?＼?ｉｄｅｎｔｉｔｙ??Ｗｅｉｇｈｔ?ｌａｙｅｒ?Ｊ??Ｆ（ｘ）＋ｘ??”?ｒｅｌｕ??图２．３残差块示意图??２．２目标检测算法的发展历程??目标检测算法是一种使用较早的方法，其中包含了?ＨＯＧ算法、ＳＩＦＴ算法、ＳＵＲＦ算法。??随着学者们在检测方法上的不断探索，最终提出了深度学习算法，并通过对深度学习算法??的不断完善，使其逐渐在目标检测领域获得了广泛的使用。目标检测算法能够通过对网络??堆叠的特征来计算网络结构的函数损失数量，并结合特定公式来计算出目标所在的聚类特??征与最佳点位（Ｌｏｓｓ?Ｆｕｎｃｔｉｏｎ）。虽然传统目标检测方法和基于深度学习的目标检测方法在??计算的原理上存在较大区别，但两者都集成了对函数特征的类别划分、函数位置的最优解。??基于此，这两种方法在目标检测中需要研究的问题主要为以下三种：??？目标会随即出现在图像的任意点位上??？不同目标的形状存在较大差异??？不同目标的几何尺寸也不尽相同??１０??
ｊｒ．｜?Ｈ?ＧＣＮＮ?１?￣啲视?｜??４?ｇ化学习?｜?Ｈ?ＹＯＬＯ?Ｈ?ＹＯＬＯ９Ｃ０Ｃ?Ｈ?Ｙ〇ｌ〇＊３?ｊ?一》｜?外［????—６ｒｉｄＫＮＫ?｜??＊＼ＳＤ＂＂＂＂ｆ－?￣￣ＤＳＳＯ｜?????????，?．?更大ｆｉｍｉｎｉ３ａｔｄｉ｜??？｜?Ｍｅｇ３ｅｔ?｜??＾?ＤＳＭ?Ｉ????Ｌｆｉｉｒ］?Ｕ［ｗｉｉ｝－＾Ｃ＾Ｄ??，?，?—Ｈ?Ａ－Ｆａｓｔ－ＲＣＮＫ?Ｉ??ｊ?ＥＳＳＤ?Ｉ?１?１??＇一?—？｜?ＯＨＥＶ?｜??图２．４目标检测算法的发展历程??２．３深度学习目标检测法??随着学术界对图像分类检测算法研究的不断深入，深度学习算法对目标检测的质量不??断提高，并逐渐成为当前最具实用性的自动特征学习法。相较于传统目标检测算法，深度??学习算法能够通过对目标特征的预设，来优化学习的能力，并构建出具有丰富信息量的模??型特征。首先，深度学习算法能够通过两端的对接来实现端与端之间的学习，并实现对函??数的训练；其次在多层非线性变换处理的过程中，深度学习法能够通过图像的构建来描述??不同目标函数之间的惯性，从而免除了手工设计环节。上世纪９０年代，ＣＮＮ方法逐渐在??目标检测领域和目标定位领域获得了试验性应用，虽然初期获得了一定效果，但由于数据??训练能力非常有限，导致计算的结果存在较大偏差。２０１２年之前，ＣＮＮ算法的发展速度??较慢。但在２０１２之后，学术界对ＣＮＮ算法的研宄兴趣不断增加，并在ＩｍａｇｅＮｅｔ１５３１计算的??过程中发挥出了良好效用，使目标检测算法的计算准确性大幅提升。??深度学习算法在不同检测阶段产生效用也不尽相同，计算的机制存在较大区别，由
【参考文献】：
期刊论文
[1]基于深度学习的图像检索研究[J]. 杨馥溢,何嘉. 计算机与数字工程. 2019(09)
[2]人工智能在汽车自动驾驶中的应用[J]. 张美芳,王羽,郑碧琪,张凯帆. 汽车工业研究. 2019(03)
[3]人工智能在安防领域的应用研究[J]. 张加良. 自动化应用. 2019(08)
[4]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[5]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军. 计算机学报. 2019(03)
[6]现代智能视频监控研究综述[J]. 吴群,王田,王汉武,赖永炫,钟必能,陈永红. 计算机应用研究. 2016(06)
本文编号：3276085
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3276085.html
最近更新
教材专著
