深度DPM算法及其在目标检测中的应用

发布时间：2025-04-22 22:21

　　目标检测是计算机视觉领域一个重要的研究方向,在各行各业都扮演着重要的角色。目标检测运用不同机器学习方法来解决目标检测中存在的各种问题,但是其仍然存在着各种挑战。卷积神经网络(CNN)是“黑盒子”的非线性分类器,能够通过其分层结构自动地获得图像的高级特征。尽管如此,CNN并没有提供较低层次特征之间的明确关系。因此,CNN可能会失去关于候选关系结构的潜在信息。而这些信息是能够提高算法检测准确性的重要信息。可变形部件模型(DPM)算法是图形模型(马尔可夫随机场),使用一系列的部件以及部件的空间位置关系表示目标。在目标检测中,DPM和CNN算法都有各自优缺点,因此整合DPM和CNN是一个富有前途的方法。与此同时,似物性检测算法能够提供比滑动窗口搜索策略更少的候选窗口,从而减少目标检测算法的复杂度。因此本文关注于如何将似物性检测算法、CNN算法、DPM算法联合起来,充分发挥三者优势,提升检测效率和检测精度。本文的主要内容包括:(1)BING算法是目前最快的似物性检测算法,具有300fps的运行速度,在交并比阈值为0.5和取其前1000个候选窗口的前提下,其召回率为96.2%。然而,BING算法存在...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和研究意义
    1.2 目标检测研究现状
    1.3 本文的主要内容和章节安排
第二章 似物性检测
    2.1 似物性的定义以及研究现状
        2.1.1 似物性的定义和评价指标
        2.1.2 似物性检测的研究现状
    2.2 基于BING的似物性检测算法
        2.2.1 BING算法的原理
        2.2.2 BING算法的发展
        2.2.3 BING算法的参数选择
        2.2.4 实验结果与分析
    2.3 本章小结
第三章 改进的DPM算法
    3.1 DPM算法的模型
    3.2 DPM算法的训练
        3.2.1 LatentSVM模型的训练
        3.2.2 单组件DPM模型的训练
    3.3 BING算法与DPM算法的结合
        3.3.1 结合策略
        3.3.2 实验结果与分析
    3.4 本章小结
第四章 快速深度DPM算法
    4.1 卷积神经网络的相关知识
        4.1.1 人工神经元模型
        4.1.2 深度卷积特征提取
    4.2 深度DPM算法的原理
        4.2.1 特征提取网络
        4.2.2 DPM-CNN结构
    4.3 快速深度DPM
        4.3.1 快速深度DPM的结构
        4.3.2 实验结果与分析
    4.4 本章小结
总结与展望
参考文献
攻读学位期间发表论文
致谢



本文编号：4040799