基于深度卷积网络的目标检测算法研究

发布时间：2022-08-12 13:12

　　在智能化需求日趋迫切的今天,目标检测作为计算机视觉的一个基础性任务受到了尤为广泛的关注。对图像中的感兴趣目标进行精准的分类和定位为无人驾驶,无人零售等场景提供了重要的技术支撑,同时目标检测也为视频理解提供了重要的研究基础。作为一个多任务的学习过程,目标检测相较于分类网络通常需要更好的特征,卷积神经网络也在这方面发挥着巨大的优势,促成包括目标检测在内的计算机视觉领域高度发展。本文基于此做出的工作如下:1.结合目标检测的研究背景、意义和国内外发展现状,对传统经典目标检测算法做出的概述,并对基于深度学习的目标检测算法进行分类和总结。通过详细介绍了卷积神经网络和目标检测的发展历程和相关理论知识,进一步深入讨论了单阶段和二阶段两类深度学习目标检测算法,并对比分析了它们的应用和发展趋势。2.基于多尺度特征对不同大小比例目标进行预测的检测器在性能上已经大大超过了基于单一尺度特征的检测器。同时,特征金字塔结构被用来构建所有尺度的高级语义特征图,从而进一步提高检测器的性能。但是,这样的特征图没有充分考虑到上下文信息对语义的补充作用。本文在SSD基准网络的基础上,提出了一种邻级特征层的融合方法,并精心设计... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
        1.2.1 传统的目标检测算法
        1.2.2 深度学习的目标检测算法
    1.3 本文的主要内容和结构安排
        1.3.1 本文的主要研究内容
        1.3.2 本文的结构安排
第二章 目标检测算法与神经网络理论知识
    2.1 传统目标检测算法
        2.1.1 Haar+Adaboost
        2.1.2 HOG+SVM
        2.1.3 可形变部件模型
    2.2 神经网络理论知识
        2.2.1 神经网络的发展
        2.2.2 卷积神经网络
    2.3 深度学习目标检测
        2.3.1 目标检测数据集
        2.3.2 目标检测的评价指标
        2.3.3 Anchor box
        2.3.4 非极大值抑制
        2.3.5 常见的深度学习目标检测网络
第三章 基于多尺度融合特征的目标检测算法
    3.1 引言
    3.2 基于深度学习的目标检测
        3.2.1 基于单尺度特征的检测网络
        3.2.2 基于多尺度特征的检测网络
        3.2.3 基于多尺度融合特征的检测网络
    3.3 多尺度特征融合方法
    3.4 实验结果分析
        3.4.1 PASCAL VOC2007
        3.4.2 推理时间
    3.5 本章小结
第四章 结合多尺度特征融合和残差注意力机制的目标检测
    4.1 引言
    4.2 注意力机制
        4.2.1 空间注意力机制
        4.2.2 通道注意力
        4.2.3 空间注意力与通道注意力的融合
    4.3 结合多尺度特征融合和残差注意力机制的目标检测
    4.4 实验结果分析
        4.4.1 PASCAL VOC2007
        4.4.2 推理速度
        4.4.3 消融实验
        4.4.4 MS COCO
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]视觉注意力检测技术研究综述[J]. 罗元,陈雪峰,毛雪峰,张毅.  半导体光电. 2019(01)
[2]激活函数在卷积神经网络中的对比研究[J]. 田娟,李英祥,李彤岩.  计算机系统应用. 2018(07)
[3]基于深度卷积网络的目标检测综述[J]. 吴帅,徐勇,赵东宁.  模式识别与人工智能. 2018(04)



本文编号：3675940