基于特征融合与对抗遮挡网络的目标检测算法设计与实现

发布时间：2021-08-21 11:32

　　目标检测是计算机视觉技术的重要研究内容,在智能安防、无人驾驶、场景识别、医疗诊断等多个领域得到广泛的应用。然而由于在现实应用场景中目标物体的尺度变化、遮挡程度以及外界环境变化等一些因素的影响,导致当前的目标检测算法都存在对于小尺度目标和存在部分遮挡目标的检测准确率较低的问题,因此,设计一种能够应对现实场景变化又能够准确地检测出目标的检测算法是当前目标检测算法的重点。本文在Faster R-CNN的基础上提出了一种基于特征融合与对抗遮挡网络的目标检测算法,通过引入特征融合网络和对抗遮挡网络来提升算法对小尺度目标和存在部分遮挡目标的检测性能。特征融合网络是利用逆卷积操作将高层特征图与低层特征图相融合,增加网络中低层特征图的提取能力,最终生成具有高分辨率高语义信息的单个高级特征图,并在其上进行预测,从而能更有效地检测出图像中的小目标。对抗遮挡网络在目标的深层特征图上创建遮挡,生成检测器难以判别的对抗性训练样本,同时检测器通过自身学习来对生成的具有遮挡的对抗性样本进行分类,这两者互相竞争又互相学习,从而使算法的检测性能进一步得到提升。此外、本文还通过改进的非极大值抑制算法来对预测框进行筛选,改... 

【文章来源】：南京邮电大学江苏省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

目标检测的应用此前，传统的目标检测方法通过图像预处理、滑动窗口提取候选区、在候选区中提取特（3）场景识别（4）医疗诊断

传统的目图

肮?诘目跏涌萍肌⑸烫揽萍肌⒑？低?印⒋蠡?等国内外知名的公司都花费了巨大的人力物力财力来对目标检测进行研究[71-75]，并有很多研究成果成功落地，这些研究成果被广泛使用在智能安防、无人驾驶、人脸识别等场景中，实现了巨大的商业价值。当前，根据不同的特征提取方式，研究者们将目标检测算法主要分为传统特征提取的目标检测算法和深度学习的目标检测算法。1.2.1传统的目标检测算法传统的目标检测算法[76-79]是早期目标检测所使用的重要方法，这一类检测算法在算法实现方式上较为简单，但是其在精度上还较为欠缺。如图1.2所示，传统的目标检测算法流程一般分为三大步骤：首先，使用多尺度滑窗或者选择性搜索算法在输入图像上生成一些候选区域，然后使用一些特征提取方式来对每一个候选区域进行特征提取，最后将所提取的特征输入到分类器中进行分类与回归，输出目标的类别信息以及坐标信息。图1.2传统的目标检测算法流程在传统的目标检测算法流程中，生成候选区域的目的就是在输入图片上生成大量的建议框，因为在输入图像中，目标可能出现在图片的任意位置上，并且不同的目标在形状和尺寸输入图像生成候选区域（多尺度滑窗、选择性搜索）特征提取（Haar、SIFT、HOG）分类器（SVM、Adaboost）输出结果

【参考文献】：
期刊论文
[1]基于深度学习的场景识别系统[J]. 张正阳.  电子制作. 2019(02)
[2]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌.  计算机科学. 2017(S2)
[3]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛.  计算机学报. 2015(06)
[4]无人驾驶汽车的先进技术与发展[J]. 端木庆玲,阮界望,马钧.  农业装备与车辆工程. 2014(03)
[5]计算机视觉技术在集装箱码头的应用[J]. 王彤.  集装箱化. 2011(06)
[6]基于高斯超像素的快速Graph Cuts图像分割方法[J]. 韩守东,赵勇,陶文兵,桑农.  自动化学报. 2011(01)

硕士论文
[1]基于视频图像的运动目标检测与跟踪算法研究[D]. 张瑞娟.大连理工大学 2008



本文编号：3355517