基于深度学习的快速目标检测算法研究

发布时间：2020-12-20 15:51

　　随着视频监控应用的普及和计算机科学与技术的快速发展,计算机视觉技术得到了广泛的应用。基于视觉的目标检测技术是计算机视觉领域中非常重要的一部分,许多更高层次的视觉处理和分析任务也是以此为基础。目标检测技术被广泛应用于人脸识别、智能驾驶等领域。传统的目标检测算法基于人工提取特征,准确率容易受采集条件等因素影响,且效率低、泛化性弱。近年来基于深度学习的目标检测算法在检测准确率上远远领先传统目标检测算法,背靠大数据自动学习提取特征,效果远优于人工设计特征。虽然深度学习在许多方面都远超传统算法,但是其缺点也非常明显,需要大量的训练数据,模型参数量大,运算速度慢,对硬件要求极高。由于这些原因,深度学习算法很难做到实时,很难应用到嵌入式或小型设备中。本文研究在保证准确率的前提下,加快基于深度学习的目标检测算法的检测速度。本文具体工作内容如下:首先,详细介绍了主流CNN网络模型,分析对比了流行的基于深度学习的目标检测算法的模型结构及其它们的优劣势。然后,借鉴流行的one-stage方法,设计了直接对目标进行分类和位置回归的端到端网络模型。并使用Tensor Flow平台训练网络,使得网络的m AP达到... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

R-CNN的计算流程图

哈尔滨工业大学工学硕士学位论文维度的特征表示。空间金字塔池化借鉴了空间金字塔模型的思想，通过多个度的池化替换原本单一的池化，达到统一特征向量维度的效果。SPP-Net 的计算流程图如图 1-2 所示，在最后一个卷积层与其后的全连接添加了一个 SPPlayer，从而避免了对候选区域进行裁剪和扭曲。SPP-Net 针图像只需要进行一次 CNN 特征提取过程，避免了重复的运算，速度可以比N 快 24~102 倍，且准确率更高。由于 SPP-Net 支持不同尺寸输入图像，P-Net 提取得到的图像特征具有更好的尺度不变性，降低了训练过程中的过能性。

哈尔滨工业大学工学硕士学位论文果选用 VGG-16 网络作为特征提取网络，在训练阶段，Fast R-CR-CNN 和 SPP-Net 可以分别提升 9 倍和 3 倍；在测试阶段，FastR R-CNN 和 SPP-Net 可以分别提升 213 倍和 10 倍。 FastR-CNN 的速度相比于之前的网络已经有了很大的提升，但esearch 的方法来提取目标候选区域，在时间和精度上还有很大的35]抓住了这个问题，提出了一种区域建议网络(Region Proposal用 RPN 网络代替 Selective search 方法提取目标及候选区域，作络+Fast R-CNN 网络称为 Faster R-CNN 网络[39]。

【参考文献】：
期刊论文
[1]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)



本文编号：2928136