基于空间与时间上下文的深度学习目标检测算法研究

发布时间：2020-11-12 05:57

　　 目标检测是计算机视觉领域的核心任务,其任务定义是通过紧密包围目标的矩形框定位出图像中的物体,并同时判别出其所属类别。目标检测技术既可服务于计算机视觉领域的顶层技术应用,同时也被直接应用于智能城市、自动驾驶以及智能医疗等领域,兼具学术科研与工程应用价值。近年来,学术界利用深度学习强大的语义表述能力,在目标检测算法的准确率与算法速度方面取得了突破性进展。然而,深度学习目标检测算法在不同的应用场景下依旧面临许多困难与挑战,如在多尺度检测算法中存在小尺寸框的错误检测现象,目标聚集场景中难以做到所有目标物体的正确检测,以及在真实世界的监控场景中目标检测算法难以同时做到抑制错误检测与提升正确检测等问题。本文根据目标检测算法面临的挑战,通过分别引入空间上下文和时间上下文信息,解决相应的问题。具体而言,本文的主要工作如下:针对多尺度目标检测算法中存在的大量小尺寸错误检测的问题,提出了一种基于预检测算法模块的目标检测算法,该算法模块相比于检测特征层位于更深一层的特征层中,拥有语义表达能力强和空间上下文信息丰富的优势,它用来对每个先验框潜在偏移的区域进行物体性预检测。实验分析验证了对同一感兴趣区域使用不同深度特征层进行独立检测流程切实有益于提升最终的检测性能,进而证明预检测算法模块输出的区域物体性置信度能够有效抑制小尺寸的错误检测数量,提升目标检测算法的总体性能。针对目标聚集场景中正确检测数量过少的问题,提出了一种基于视野膨胀与自注意力聚焦的目标检测算法。该方法使算法网络专注于候选框区域中目标物体所在的核心位置,降低候选框区域特征在目标物体聚集时出现的定位混乱问题,进而提升物体聚集场景下算法的正确检测数量。该方法在KITTI行人检测测试集的困难难度测评中,准确率均值达到74.8%,在截至目前的KITTI行人检测算法排行榜单中位列第一。针对真实世界的监控场景目标检测问题,提出了一种基于前景增强与背景对齐的目标检测算法,旨在做到同时抑制错误检测与提升正确检测。该方法为两步式目标检测算法,首先在第一阶段使用背景消除算法对监控视频的时间上下文信息加以利用,提取每帧图像对应的前景图像,并使用前景图像生成特征级别掩码,增强前景物体区域的特征表达,同时抑制背景区域的噪声响应。随后在算法的第二阶段使用成对式的非局部关联操作解决背景图像和原始帧图像之间的未对齐问题,完成对检测框的精准定位回归,提升算法性能。经过实验分析,该方法展示了其在抑制错误检测与提升正确检测两方面的优秀性能。
【学位单位】：浙江大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP391.41;TP18
【部分图文】：

（ａ）?＃于ＨＯＧ的检测算法流程?（ｂ）方向梯度Ｂ方阁ＨＯＧ的效果??图１－２基于方向梯度直方图ＨＯＧ的目标检测算法流程及效果??在此之后，Ｆｅｌｚｅｎｓｚｗａｌｂ等［１６’３４１使用方向梯度直方图ＨＯＧ的特征提取方法，??提出了经典的可变形组件模型（ｄｅｆｏｒｍａｂｌｅ?ｐａｒｔ?ｍｏｄｅｌ，?ＤＰＭ），并在２００７至２００９??年通过对ＤＰＭ算法的不断优化改良，连续三年获得ＰＡＳＣＡＬ?ＶＯＣ［３５１目标检测??比赛的冠军。ＤＰＭ算法成为除了近些年的深度学习检测算法外最经典和最优秀??的目标检测算法之一。??以人体检测为例，ＤＰＭ算法的基本思想是，通过对输入图像提取不同尺寸??的ＨＯＧ特征图，分别使用代表人体特征的根滤波器（ｒｏｏｔｆｉｌｔｅｒ）和代表局部特??４??

尺度的２倍，所以在Ａ：，ＺＱ－Ａ中位置坐标为２（．ｒ〇，ｙ〇）＋叫，其中Ｚ０?—Ａ表示组件??滤波器响应所在的尺度层，Ａ表示局部组件的基准位置相对理想位置的偏移量。??Ｆｅｌｚｅｎｓｚｗａｌｂ等＿提出的算法流程如图１－３所示。??１．２．２基于卷积神经网络的深度学习目标检测算法??自２０１２年Ａｌｅｘ等［２３］将卷积神经网络应用在图像分类任务中并取得突破性??进展后，计算机视觉其他领域的学者也开始尝试使用卷积神经网络替代手工设??计的方法进行图像特征提取。２０１４年，Ｇｉｒｓｈｉｃｋ等＾将卷积神经网络引入目标??检测领域，提出基于区域的ＣＮＮ检测算法（Ｒｅｇｉｏｎ－ｂａｓｅｄ?ＣＮＮ，?Ｒ－ＣＮＮ），使用??卷积神经网络对图像的感兴趣候选区域进行特征提取，并将提取到的特征用于??分类和定位回归任务。??￣Ｋ?＾１?ＳＶＭ分类??卷积艘眺?ｙｚ＼?」??「細申经网络?ｆ??ｔ?Ｕｓｙｉ?藤性搜索?ｚ?ｃｎｎ?夕，ｉｉｉｉ归定位??＾?Ｓｅｌｅｃｔｉｖｅ?Ｓｅａｒｃｈ?Ｉ?＾??：修＾?１怎」…容圉??选取约２０００个?裁缩放?Ｊ?ＣＮＮ?／回归诅位??候选Ｋ域?候选Ｋ域Ｚ??—?ｒ????图１－４?Ｒ－ＣＮＮ目标检测算法流程??如图１－４所不，Ｒ－ＣＮＮ算法首先使用传统的选择性搜索算法（ｓｅｌｅｃｔｉｖｅｓｅａｒｃｈ）??［３６１进行感兴趣区域的选择，选取约２０００个候选区域。随后算法依次将候选区域??从原图中裁剪

随后提出ＦａｓｔＲ－ＣＮＮ算法，通过引入感兴趣区域池化操作（ＲｏＩＰｏｏｌｉｎｇ），避免??了提取特征过程中的大量冗余操作，提升了算法的计算速度。ＦａｓｔＲ＿ＣＮＮ算法??的操作流程如图１－５所示，整幅输入图像被送进ＣＮＮ网络中提取特征，而通过??选择性搜索获得的候选框区域会等比例缩小映射到神经网络特征层上，然后使??用感兴趣区域池化操作，从每个候选区域直接提取特征，经过一层全连接层操作??（Ｍｌｙ?ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ）输出分类和回归的结果。??７??
【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(社会科学版);1994年05期

5 孙蓉蓉;李清;张国昌;;电力监控系统中运动目标检测算法研究[J];数字技术与应用;2019年12期

6 赵宝康;李晋文;杨帆;刘佳豪;;一种基于深度学习的遥感图像目标检测算法[J];计算机工程与科学;2019年12期

7 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

8 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

9 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

10 邝熠;陶果;朱玉洁;蔡伟立;;基于深度学习的目标检测算法研究与应用[J];计算机产品与流通;2020年01期

相关博士学位论文 前10条

1 付志航;基于空间与时间上下文的深度学习目标检测算法研究[D];浙江大学;2019年

2 黄响;高速微弱目标检测算法研究[D];西安电子科技大学;2019年

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

相关硕士学位论文 前10条

1 卢鑫鑫;基于深度学习的无人机检测算法研究[D];华中科技大学;2019年

2 孔兰芳;基于卷积神经网络的输电线路小目标检测算法研究[D];华中科技大学;2019年

3 朱秀红;基于深度卷积网络的输电线路变尺度多目标检测算法研究[D];华中科技大学;2019年

4 王瑜;复杂探测环境下目标检测算法的优化及其在FPGA中的实现[D];华中科技大学;2019年

5 何兆华;基于FPGA的YOLOv2网络研究与实现[D];华中科技大学;2019年

6 汤松岩;基于YOLOv3的航拍目标检测算法研究及应用[D];华中科技大学;2019年

7 杜旺;高分辨率图像下的小目标检测算法研究[D];华中科技大学;2019年

8 雷家荟;基于深度学习的遥感目标检测算法[D];华中科技大学;2019年

9 薛彬;基于深度学习的自然环境下的水果目标检测研究[D];燕山大学;2019年

10 兰先超;基于DnRCNN的SAR图像目标检测算法研究[D];华中科技大学;2019年

本文编号：2880346