基于超特征金字塔与对抗学习的目标检测算法研究

发布时间：2022-12-10 23:43

　　目标检测,即在视频序列或者图片中定位出目标的所在位置同时决定其所属类别,是计算机视觉领域的一个研究热点,在智能视频监控、无人驾驶技术、计算机辅助诊断技术、人脸识别及人流监测等方面都有着重要的应用。然而由于实际场景中目标物体的形变、遮挡、观察角度和环境变化等众多因素的影响,目标检测仍是一项非常具有挑战的任务。而如何设计能够准确识别目标物体又不受各种外界多样性因素影响的特征也成为了该领域的研究重点。本文提出一种基于超特征金字塔与对抗学习的目标检测算法,即Adversar-Hyper Feature Pyramid Networks（A-Hyper FPN）。首先在特征提取阶段,本文提出超特征金字塔的概念,通过多次融合高低卷积层的信息,以便充分提取来自不同卷积层、不同大小的目标特征;此外提出了改进的区域候选网络,该网络采用合理的策略在低层预测小目标,在高层预测大目标,使得整个区域候选网络更佳完善;同时根据目标检测容易受到遮挡的影响,本文利用对抗学习的思想,提出了Mask网络,其通过增加遮挡网络主动生成数据,这些数据是目标检测器学习的难点示例,不是直接在整个像素空间中生成数据,而是专注于生成的... 

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究与发展现状
        1.2.1 传统目标检测算法
        1.2.2 基于区域提取的目标检测算法
        1.2.3 基于端到端的目标检测算法
    1.3 目标检测的主要问题
    1.4 本文研究内容及结构安排
        1.4.1 主要研究内容
        1.4.2 论文结构安排
第二章 基础理论与研究
    2.1 引言
    2.2 人工神经网络
        2.2.1 神经元模型
        2.2.2 人工神经网络模型
        2.2.3 反向传播算法
    2.3 卷积神经网络
        2.3.1 核心概念
        2.3.2 层的概念
    2.4 本章小结
第三章 经典目标检测算法介绍
    3.1 引言
    3.2 Faster R-CNN
    3.3 SSD
    3.4 实验对比
    3.5 本章小结
第四章 基于超特征金字塔与对抗学习的目标检测
    4.1 引言
    4.2 超特征金字塔网络
        4.2.1 残差基础网络
        4.2.2 Hyper-FPN
    4.3 改进的区域候选网络
    4.4 Mask网络
        4.4.1 生成对抗网络
        4.4.2 对抗学习
    4.5 微调网络
        4.5.1 Rol Pooling与Rol Align的联合使用
        4.5.2 Soft-NMS
    4.6 综合训练
第五章 实验与结果分析
    5.1 引言
    5.2 实验平台和数据
        5.2.1 实验环境
        5.2.2 数据集介绍
    5.3 实验的评价标准
    5.4 实验结果对比分析
        5.4.1 PASCAL VOC数据集的测试结果
        5.4.2 DETRAC数据集的测试结果
第六章 总结与展望
    6.1 研究工作总结
    6.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
附录4 攻读硕士学位期间获得的奖项
致谢


【参考文献】：
期刊论文
[1]基于强化学习的无人驾驶匝道汇入模型[J]. 乔良,鲍泓,玄祖兴,梁军,潘峰.  计算机工程. 2018(07)
[2]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊.  智能系统学报. 2018(01)
[3]智慧城市将迎来“人工智能”新时代[J]. 张永民.  中国建设信息化. 2016(09)



本文编号：3717736