简化的卷积神经网络在目标检测中的应用研究

发布时间：2024-02-21 23:01

　　分类与检测是计算机视觉中两类最基本的任务,也是其他复杂计算机视觉任务的前提。自计算机视觉这一概念诞生以来,在目标检测领域获得高的表现就一直是人们努力的方向。人工神经网络是较早提出来的用于处理数据处理方法。早期,受限于处理器性能以及神经网络的全连接结构,将人工神经网络应用于目标检测任务的效果不尽如人意。近年来,伴随着图形处理器性能的提升以及各种数据大量的累积,用人工神经网络的方式来执行计算机视觉中的目标检测任务成为一个可行的选择。卷积神经网络的出现之后,深度学习在目标检测任务中不断取得比已有记录更好的表现,因此,将深度神经网络应用于目标检测已经成为一个研究热点。本文借鉴已有的深度学习方法,采用一定的方法简化网络结构,尽可能地兼顾速度、精度。本文提出一种以YOLO为骨架的一阶深度检测网络。它运用可分离卷积的操作。新提出的网络较好地兼顾了速度、精度,可以移植到安卓等嵌入式设备上运行。主要研究内容如下:1、介绍了目标检测的发展历程、目前的研究现状,包括目标检测的任务、评价标准、主要的公开数据集,以及目标检测中所用到的两大类算法。2、调查大量的文献,从人工神经网络的提出、工作机理到它的发展历程逐...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 选题背景及意义
    1.2 目标检测的研究现状
        1.2.1 目标检测的任务描述及评价标准
        1.2.2 目标检测的公开数据集
        1.2.3 基于图像处理方法的目标检测
        1.2.4 基于深度学习方法的目标检测
    1.3 本文主要内容
第二章 基于深度神经网络的目标检测方法
    2.1 人工神经网络的提出
    2.2 卷积神经网络
    2.3 基于候选区域的方法
        2.3.1 R-CNN
        2.3.2 SPP-Net
        2.3.3 Fast-RCNN
        2.3.4 Faster R-CNN
        2.3.5 R-FCN
        2.3.6 Mask R-CNN
    2.4 基于回归的方法
        2.4.1 YOLO
        2.4.2 SSD
        2.4.3 YOLOv2 以及YOLO9000
        2.4.4 YOLOv3
    2.5 本章小结
第三章 神经网络参数的调优
    3.1 损失函数
    3.2 反向传播算法
    3.3 基于梯度下降的优化算法
        3.3.1 批梯度下降法
        3.3.2 小批梯度下降法
        3.3.3 随机梯度下降法
        3.3.4 带动量的随机梯度下降法
        3.3.5 Adagrad梯度下降法
        3.3.6 Adadelta梯度下降法
        3.3.7 Adam梯度下降法
    3.4 梯度爆炸与梯度消失的出现
    3.5 梯度爆炸和梯度消失的解决方案
        3.5.1 预训练加微调
        3.5.2 梯度剪切与正则化项
        3.5.3 适当的激活函数
        3.5.4 批规范化
        3.5.5 残差块
    3.6 本章小结
第四章 深度神经网络的压缩
    4.1 量化
    4.2 低阶分解与稀疏化
    4.3 转换/简化卷积核
    4.4 知识蒸馏
    4.5 本章小结
第五章 部署于安卓平台的目标检测网络
    5.1 整体流程
    5.2 网络的设计
        5.2.1 网络结构
        5.2.2 损失函数
    5.3 网络的调优
        5.3.1 数据集处理
        5.3.2 参数调优
    5.4 实验结果
    5.5 网络的部署
    5.6 本章小结
总结与展望
参考文献
攻读学位期间发表的论文及申请的专利
致谢



本文编号：3906019