轻量级卷积神经网络的目标检测研究

发布时间：2021-09-22 04:11

　　目标检测是计算视觉主要研究问题之一,其利用特征提取、机器学习、深度学习等技术判断图像中目标位置与类别,在生产生活中应用广泛。基于卷积神经网络的目标检测算法因其特征表达能力及鲁棒性较强而受到广泛关注,但其生成的目标检测模型计算复杂度高、权重参数多、生成检测模型规模大,难以在计算力及内存受限的场景应用。针对上述问题,本文提出一种轻量级的多目标检测方法IR-YOLO（Inverted Residual YOLO）。首先,利用深度可分离卷积替代常规卷积,解耦“空间-跨通道”的特征学习过程,以减少参数存储量及计算量;其次,引入批量规范化层,并且基于深度可分离卷积构造反残差块,以减少信息损失,提高模型检测精度;然后,应用6个下采样层和6个反残差块堆叠构建特征提取网络;此外,借鉴特征金字塔思想,采用多尺度特征图融合的方式,即深层特征图通过上采样操作连接浅层特征图,最终生成两种尺度的特征图;最后,搭建轻量级目标检测框架,在生成的两种尺度的特征图上进行目标检测。对IR-YOLO算法进行实验验证,与改进前算法、YOLO系列算法进行对比实验,客观地从检测速度及精度、计算消耗、模型尺寸四个方面评价其性能。实验... 

【文章来源】：辽宁工程技术大学辽宁省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

Relu函数及梯度函数Figure2.5Relufunctionandgradientfunction

辽宁工程技术大学硕士学位论文12由图2.5可知，Relu函数输入小于0时，函数值为0；输入大于0时，函数值为x，使得Relu函数能够激活部分神经元，从而增加了稀疏性。且Relu函数梯度为常数，也使得Relu在反向传播过程中计算更快。但由于Relu函数输入为负数时，梯度为0，将导致部分神经元不能被激活，从而影响网络的收敛性。因此，Leaky-Relu函数在Relu函数的基础上进行改进，Leaky-Relu及梯度计算公式为：,0(),0xxfxaxx=（2.5）1,0(),0xfxax=（2.6）Leaky-Relu解决了输入数据x0时Relu函数的梯度消失问题，Leaky-Relu及其梯度函数曲线如图2.6所示。图2.6Leaky-Relu函数及梯度函数Figure2.6Leaky-Relufunctionandgradientfunction由图2.6可知，Leaky-Relu函数输入x0时，函数值为ax，其梯度为a，解决了梯度值为0的问题。2.1.3池化层池化层可以通过删除特征图中不重要的样本从而减少参数数量，降低数据维度。池化计算将原特征图依据过滤器压缩成特征值，从而压缩整个特征图，则压缩后图像尺寸计算公式为：

训练损失图对比

【参考文献】：
期刊论文
[1]深度学习目标检测方法综述[J]. 赵永强,饶元,董世鹏,张君毅.  中国图象图形学报. 2020(04)
[2]基于深度学习的小目标检测研究与应用综述[J]. 刘颖,刘红燕,范九伦,公衍超,李莹华,王富平,卢津.  电子学报. 2020(03)
[3]基于神经元容错度分析的神经网络裁剪与近似计算技术研究[J]. 王旭,王晶,张伟功.  微电子学与计算机. 2019(11)
[4]基于灰色关联分析的卷积神经网络模型裁剪方法[J]. 黄世青,白瑞林,覃高鄂.  激光与光电子学进展. 2020(04)
[5]卷积神经网络结构优化综述[J]. 林景栋,吴欣怡,柴毅,尹宏鹏.  自动化学报. 2020(01)
[6]中国图像工程:2018[J]. 章毓晋.  中国图象图形学报. 2019(05)
[7]基于多通道稀疏卷积神经网络的行人检测算法[J]. 曹璐,陈明,秦玉芳.  传感器与微系统. 2018(10)
[8]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明.  光学学报. 2018(12)
[9]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬.  自动化学报. 2018(03)
[10]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃.  自动化学报. 2017(08)



本文编号：3403113