基于注意力卷积神经网络的目标检测算法研究

发布时间：2022-08-08 15:58

　　随着信息科技与网络的迅猛发展,各种媒体数据也随之海量增长,大量的视觉数据不断涌现。为了更高效快速地应用视觉数据,许多研究者开始系统地研究计算机视觉技术。目标检测作为计算机视觉的重要基础任务之一,在视频监控、军事观测、医疗诊断及自动驾驶等许多领域中均具有非常重要的理论及应用价值,因而已逐渐成为计算机视觉及人工智能领域的一个热点研究问题。随着学术及工业界对这一问题的不断研究,目标检测算法的检测精度及速度已经有了显著性的提高,但在实际应用中仍存在着不少挑战:现实场景中,采集到的图像、视频等往往不可避免存在复杂背景,例如,一些特殊背景与待检目标形态非常的相似,极易被误判为待检目标,这无疑会造成待检目标被错误识别的概率增加;现实场景中,物体的分布杂乱以及观察角度问题,目标物体可能会存在不同程度的遮挡,增加了漏检的可能性;因拍摄距离和角度问题,图像中目标的尺寸也存在着很大的差异,对于目标区域定位的准确性存着一定的影响。以上这些问题均增加了检测的难度,严重影响了检测的性能。本文针对以上挑战依次对目标检测算法进行了研究,主要工作内容及创新点概述如下:（1）针对图像中的复杂背景干扰及遮挡造成的目标被错检... 

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 目标检测算法研究现状
        1.2.1 传统目标检测
        1.2.2 基于深度学习的目标检测
    1.3 主要研究内容
    1.4 论文组织结构
第2章 相关理论与技术
    2.1 卷积神经网络
        2.1.1 卷积神经网络简介
        2.1.2 常用卷积神经网络模型
    2.2 基于卷积神经网络的目标检测
        2.2.1 目标检测重要组件
        2.2.2 目标检测基本流程
    2.3 注意力机制
        2.3.1 注意力机制简介
        2.3.2 注意力机制的应用
    2.4 小结
第3章 复杂背景下的目标检测
    3.1 引言
    3.2 基于注意力机制和改进NMS的轻量级目标检测
        3.2.1 注意力模块融合
        3.2.2 改进NMS
        3.2.3 网络轻量化
        3.2.4 改进ROI Pooling
    3.3 实验结果和分析
        3.3.1 数据集和评估指标
        3.3.2 实验参数设置
        3.3.3 消融实验
        3.3.4 对比现有方法
    3.4 小结
第4章 多尺度目标下的目标检测
    4.1 引言
    4.2 基于特征增强的多尺度目标检测
        4.2.1 SSD模型
        4.2.2 FPN模型
        4.2.3 算法实现
    4.3 实验结果与分析
        4.3.1 数据集与评估措施
        4.3.2 实验参数设置
        4.3.3 消融实验
        4.3.4 对比现有方法
    4.4 本章小结
第5章 总结与展望
    5.1 研究工作总结
    5.2 研究展望
参考文献
攻读硕士学位期间的科研成果和其他获奖情况
致谢


【参考文献】：
期刊论文
[1]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬.  计算机科学. 2016(12)
[2]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)

博士论文
[1]基于深度学习的图像分类[D]. 孙炜晨.北京邮电大学 2017



本文编号：3671801