教育场景下目标检测技术研究
发布时间：2021-07-17 11:10
近年来计算机的计算能力不断提高,卷积网络被广泛的应用到图像处理任务之中,计算机视觉领域中各项视觉任务的检测性能得到了提高。目标检测任务是计算机视觉领域的重要任务之一,目标检测的功能主要是从所给的图像中找到待识别的目标,输出目标的类别与位置。该项任务以其成熟的检测技术,较快的检测速度以及优秀的检测效果为支撑,已经应用在机器人视觉以及行人检测等众多领域。这些年来,目标检测的研究取得了显著的进展,并且一步一步的应用到我们的实际生活之中。在智慧教育的推进下,目标检测技术与教育领域教学任务相结合,充分的利用教室中摄像头拍摄的图片,帮助教师更好的掌握学生在教室中的学习动态辅助教学任务的实施。本文首先分析了教育场景中目标检测技术存在的三个问题。（1）在教育场景拍摄的图片中,教室的背景信息占据图片的大部分区域,对学生的特征信息产生较大的干扰,带来学生特征表示能力弱的问题。（2）在教室拍摄的图片中,学生的人数较多,每个学生在图片中占据的尺寸更小,目标大小接近检测任务中的小目标大小,而小目标检测一直是检测任务中的难点问题。（3）教室图片中学生人数多,带来了学生之间互相的遮挡问题。而在检测的过程中每个学生会...
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
CNN网络结构
第2章相关工作11图2-2卷积操作示意图卷积神经网络中的输入数据有多个通道，这就使得原来每个通道与二维卷积计算得到的新的特征图进行相加操作。也就是说，卷积层中的每一个通道通过二维卷积计算，但在所有通道分别与卷积核进行二维卷积之后，这些通道的输出结果经过相加成为一个新的输出。图2-3卷积提取浅层特征当使用数据集中的训练集对网络进行训练的时候，卷积核就开始学习优化自己的参数，这个过程就是学习调整网络权重的过程。为了加快网络训练时的收敛速度，在卷积操作之后一般会加上一个偏置项，更好的使模型收敛。如图2-3所示的是原图与浅层提取的特征图，可以发现随着卷积层数的加深，图像的语义信息就开始被抽象出来。数字图像处理中的滤波器也有着相似的功能，但是卷积操作可以在网络中通过损失函数的计算进行参数的优化，更好的提取特征。2.1.2池化层当输入的图像经过卷积层的卷积操作后，输出的特征映射图的大小可能会很大，这个时候如果不丢弃一些表达能力不强的特征，就会造成整个网络的计算量非常大。卷积产生的特征映射图上存在多个的相邻区域，这些相邻区域之间的特征具有相似性，所以可以在图像中相邻的区域中选取最明显的特征，利用最明显
第2章相关工作11图2-2卷积操作示意图卷积神经网络中的输入数据有多个通道，这就使得原来每个通道与二维卷积计算得到的新的特征图进行相加操作。也就是说，卷积层中的每一个通道通过二维卷积计算，但在所有通道分别与卷积核进行二维卷积之后，这些通道的输出结果经过相加成为一个新的输出。图2-3卷积提取浅层特征当使用数据集中的训练集对网络进行训练的时候，卷积核就开始学习优化自己的参数，这个过程就是学习调整网络权重的过程。为了加快网络训练时的收敛速度，在卷积操作之后一般会加上一个偏置项，更好的使模型收敛。如图2-3所示的是原图与浅层提取的特征图，可以发现随着卷积层数的加深，图像的语义信息就开始被抽象出来。数字图像处理中的滤波器也有着相似的功能，但是卷积操作可以在网络中通过损失函数的计算进行参数的优化，更好的提取特征。2.1.2池化层当输入的图像经过卷积层的卷积操作后，输出的特征映射图的大小可能会很大，这个时候如果不丢弃一些表达能力不强的特征，就会造成整个网络的计算量非常大。卷积产生的特征映射图上存在多个的相邻区域，这些相邻区域之间的特征具有相似性，所以可以在图像中相邻的区域中选取最明显的特征，利用最明显
【参考文献】：
期刊论文
[1]基于残差网络的学生课堂行为识别[J]. 蒋沁沂,张译文,谭思琪,杨耀祖. 现代计算机. 2019(20)
[2]基于卷积神经网络的教室人脸检测算法[J]. 王萌,苏寒松,刘高华,李燊. 激光与光电子学进展. 2019(21)
[3]结合注意力机制的深度学习图像目标检测[J]. 孙萍,胡旭东,张永军. 计算机工程与应用. 2019(17)
[4]Attention-YOLO:引入注意力机制的YOLO检测算法[J]. 徐诚极,王晓峰,杨亚东. 计算机工程与应用. 2019(06)
[5]基于深层神经网络的教室人数实时统计[J]. 许楠,侯东强,刘强,杨国亮. 科技与创新. 2018(13)
硕士论文
[1]多尺度特征融合改进YOLOv3网络的行人和车辆检测[D]. 王国文.南京邮电大学 2019
[2]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
本文编号：3288062
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
CNN网络结构
第2章相关工作11图2-2卷积操作示意图卷积神经网络中的输入数据有多个通道，这就使得原来每个通道与二维卷积计算得到的新的特征图进行相加操作。也就是说，卷积层中的每一个通道通过二维卷积计算，但在所有通道分别与卷积核进行二维卷积之后，这些通道的输出结果经过相加成为一个新的输出。图2-3卷积提取浅层特征当使用数据集中的训练集对网络进行训练的时候，卷积核就开始学习优化自己的参数，这个过程就是学习调整网络权重的过程。为了加快网络训练时的收敛速度，在卷积操作之后一般会加上一个偏置项，更好的使模型收敛。如图2-3所示的是原图与浅层提取的特征图，可以发现随着卷积层数的加深，图像的语义信息就开始被抽象出来。数字图像处理中的滤波器也有着相似的功能，但是卷积操作可以在网络中通过损失函数的计算进行参数的优化，更好的提取特征。2.1.2池化层当输入的图像经过卷积层的卷积操作后，输出的特征映射图的大小可能会很大，这个时候如果不丢弃一些表达能力不强的特征，就会造成整个网络的计算量非常大。卷积产生的特征映射图上存在多个的相邻区域，这些相邻区域之间的特征具有相似性，所以可以在图像中相邻的区域中选取最明显的特征，利用最明显
第2章相关工作11图2-2卷积操作示意图卷积神经网络中的输入数据有多个通道，这就使得原来每个通道与二维卷积计算得到的新的特征图进行相加操作。也就是说，卷积层中的每一个通道通过二维卷积计算，但在所有通道分别与卷积核进行二维卷积之后，这些通道的输出结果经过相加成为一个新的输出。图2-3卷积提取浅层特征当使用数据集中的训练集对网络进行训练的时候，卷积核就开始学习优化自己的参数，这个过程就是学习调整网络权重的过程。为了加快网络训练时的收敛速度，在卷积操作之后一般会加上一个偏置项，更好的使模型收敛。如图2-3所示的是原图与浅层提取的特征图，可以发现随着卷积层数的加深，图像的语义信息就开始被抽象出来。数字图像处理中的滤波器也有着相似的功能，但是卷积操作可以在网络中通过损失函数的计算进行参数的优化，更好的提取特征。2.1.2池化层当输入的图像经过卷积层的卷积操作后，输出的特征映射图的大小可能会很大，这个时候如果不丢弃一些表达能力不强的特征，就会造成整个网络的计算量非常大。卷积产生的特征映射图上存在多个的相邻区域，这些相邻区域之间的特征具有相似性，所以可以在图像中相邻的区域中选取最明显的特征，利用最明显
【参考文献】：
期刊论文
[1]基于残差网络的学生课堂行为识别[J]. 蒋沁沂,张译文,谭思琪,杨耀祖. 现代计算机. 2019(20)
[2]基于卷积神经网络的教室人脸检测算法[J]. 王萌,苏寒松,刘高华,李燊. 激光与光电子学进展. 2019(21)
[3]结合注意力机制的深度学习图像目标检测[J]. 孙萍,胡旭东,张永军. 计算机工程与应用. 2019(17)
[4]Attention-YOLO:引入注意力机制的YOLO检测算法[J]. 徐诚极,王晓峰,杨亚东. 计算机工程与应用. 2019(06)
[5]基于深层神经网络的教室人数实时统计[J]. 许楠,侯东强,刘强,杨国亮. 科技与创新. 2018(13)
硕士论文
[1]多尺度特征融合改进YOLOv3网络的行人和车辆检测[D]. 王国文.南京邮电大学 2019
[2]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
本文编号：3288062
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3288062.html
最近更新
教材专著
