基于深度神经网络的多尺度目标检测算法研究

发布时间：2020-11-12 03:42

　　 目标检测是计算机视觉领域的一个研究热点,它实现图像中目标的定位与分类。目标检测在生活中的应用比较广泛,生活中的目标具有多尺度性,不同尺度目标给目标检测带来了一定的难度。目前绝大多数的目标检测算法都使用深度神经网络,但由于网络较深,对小目标的检测分类不利。因此,本文为了解决多尺度目标检测问题,提高小尺度目标检测精度,同时减少计算量,主要做了以下工作:(1)首先介绍目标检测的研究背景及意义,简述深度神经网络的组成,以及基于候选框的目标识检测过程。指出目前多尺度目标检测是生活中的常见检测问题,而多尺度目标检测存在一定的难点,常用的深度神经网络最后一层特征不能很好的表示出小目标的位置,忽略了小目标问题。本文针对多尺度目标检测的部分难点提出了可行的解决办法。(2)根据深度神经网络的特征图在不同层有不同程度的语义表示,浅层卷积层特征图与深层卷积层特征图对不同尺度的目标特征表示有所差异,本文提出精简的特征金字塔区域建议网络(Concise Feature Pyramid Region Proposal Netwotk,CFPRPN)进行多尺度目标检测算法。它将图像金字塔和特征金字塔进行单模型结合,对不同尺度的目标在合适的卷积层进行分类和检测。在得到分类预测框后,进行基于IOU损失的校正定位,最后得到更加精准的目标定位。实验结果表明,本文方法对于多尺度目标检测是有效的,特别是对小目标的检测,有了很大的提高。(3)为了进一步提高多尺度目标的检测精度,本文将对前文的图像金字塔和特征金字塔进行多个模型融合,提出了基于模型融合的CFPRPN算法,将小尺度目标模型与CFPRPN模型进行融合,进行多尺度目标的识检测。进一步提高了小尺度目标的检测率,得到有效的多尺度目标检测结果,提高了多尺度目标检测精度。
【学位单位】：合肥工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

图 2. 3 LeNet 网络模型Fig 2.3 LeNet network modelAlexNet 网络是 2012 年由 Alex Krizhevsk[19]提出并将它应用到 ImageNet 图像分类竞赛中获得了第一名。AlexNet 的网络模型如图 2.4 所示，AlexNet 网络相对于 LeNet，在数据处理方面，它使用了数据增强技术，包括图片水平翻转，随机裁剪和平移变换等。同时它对数据增强后的图片进行局部归一化 LRN，提高模型的泛化能力。在激活函数方面，AlexNet 网络使用 ReLU 激活函数来代替 sigmoid 函数和 tanh 函数，解决了梯度消失问题。在池化层方面，它选择的是最大池化方式，这使得提取的特征更加明显，而且池化层采用的是覆盖池化，池化核大小大于步长，这使得网络不容易过拟合。同时在训练时使用 dropout 函数，对于某一层神经元，随机忽略一部分神经元，保持输入和输出神经元个数不变，更新参数，再次训练时依旧随机忽略部分神经元，dropout 函数应用也能防止模型的过拟合。AlexNet 型的成功应用，掀起了神经网络的热潮。

图 2. 3 LeNet 网络模型Fig 2.3 LeNet network modelAlexNet 网络是 2012 年由 Alex Krizhevsk[19]提出并将它应用到 ImageNet 图像分类竞赛中获得了第一名。AlexNet 的网络模型如图 2.4 所示，AlexNet 网络相对于 LeNet，在数据处理方面，它使用了数据增强技术，包括图片水平翻转，随机裁剪和平移变换等。同时它对数据增强后的图片进行局部归一化 LRN，提高模型的泛化能力。在激活函数方面，AlexNet 网络使用 ReLU 激活函数来代替 sigmoid 函数和 tanh 函数，解决了梯度消失问题。在池化层方面，它选择的是最大池化方式，这使得提取的特征更加明显，而且池化层采用的是覆盖池化，池化核大小大于步长，这使得网络不容易过拟合。同时在训练时使用 dropout 函数，对于某一层神经元，随机忽略一部分神经元，保持输入和输出神经元个数不变，更新参数，再次训练时依旧随机忽略部分神经元，dropout 函数应用也能防止模型的过拟合。AlexNet 型的成功应用，掀起了神经网络的热潮。

ogleNet 引入分类节点，它将中间某层输出作为分类，并且以一定的权重加的分类结果中。GoogleNet 比 VGGNet 更深，它是 22 层深的网络。Goog模型进行了多次改进，因此它有四个版本，GoogleNet V1 到 GoogleNet V4通过卷积分解，降低特征图的大小，还与后面 ResNet 网络的残差块的结了一个稳健的 GoogleNet 网络。第二章 目标检测相关理论
【相似文献】

相关期刊论文 前10条

1 舒朗;郭春生;;基于回归与深度强化学习的目标检测算法[J];软件导刊;2018年12期

2 王钤;张穗华;雷丝雨;邓博文;;一种基于数据聚类的目标检测算法[J];机电产品开发与创新;2016年06期

3 孙林;鲍金河;刘一超;;高光谱图像目标检测算法分析[J];测绘科学;2012年01期

4 张桂林，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报;1994年05期

5 许云;李彬;;基于背景遗传模型的运动目标检测算法[J];自动化技术与应用;2017年03期

6 杜佳;宋春林;;一种改进的毫米波雷达多目标检测算法[J];通信技术;2015年07期

7 诸葛霞;向健勇;;基于分形特征的目标检测算法概述及仿真[J];红外技术;2006年10期

8 张宽;滕国伟;;基于位置预测的目标检测算法[J];电子测量技术;2019年19期

9 丁业兵;;运动目标检测算法综述[J];科技资讯;2019年30期

10 方路平;何杭江;周国民;;目标检测算法研究综述[J];计算机工程与应用;2018年13期

相关博士学位论文 前10条

1 张丽丽;基于空谱联合特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2018年

2 赵红燕;被动多基站雷达目标检测算法研究[D];西安电子科技大学;2017年

3 郭小路;多通道雷达干扰抑制与目标检测算法研究[D];西安电子科技大学;2017年

4 李健;星载宽幅SAR及目标检测算法研究[D];西安电子科技大学;2018年

5 潘雪莉;机载环视SAR海面特性和舰船目标检测算法研究[D];西安电子科技大学;2018年

6 陈宇环;联合时空特征的视觉显著目标检测算法研究[D];深圳大学;2018年

7 曾冬冬;视频监控中的前景目标检测算法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

8 王志虎;基于显著性的运动目标检测算法研究[D];国防科学技术大学;2015年

9 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

10 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 刘业鹏;基于深度学习的输电线路目标检测方法研究[D];华北电力大学;2019年

2 张江勇;基于深度学习的动车关键部位故障图像检测[D];电子科技大学;2019年

3 王威;基于视觉的车辆智能检测技术的研究[D];电子科技大学;2019年

4 魏墨非;基于深度学习目标检测的优化研究与实现[D];电子科技大学;2019年

5 侯小春;基于卷积神经网络的目标检测算法研究[D];电子科技大学;2019年

6 石齐双;城市管理案件图像目标检测算法研究[D];桂林电子科技大学;2019年

7 莫烨;基于生成对抗网络的复杂环境目标检测算法研究[D];桂林电子科技大学;2019年

8 徐首韬;基于卷积神经网络的目标检测算法研究[D];合肥工业大学;2019年

9 方璐;基于深度神经网络的多尺度目标检测算法研究[D];合肥工业大学;2019年

10 王晓芸;基于OpenCL的深度学习目标检测算法加速方法研究[D];北京交通大学;2019年

本文编号：2880189