基于深度学习目标检测方法研究
发布时间：2020-12-24 14:47
我国作为人口大国,随着人们生活水平的提高,车辆的增加也越来越明显,随之带来了交通的安全隐患,所以需要对出行的车辆进行监控。对于人类的视觉来说,我们能够很容易的识别出一幅图像中所包含的物体的种类和物体所在的位置,但对于计算机来说,检测和识别出图像中的物体与位置具有很大的挑战性。本文通过以车辆图像作为研究对象,检测出图像中车辆的位置信息,以达到对图像中车辆监控的目的。对于传统的目标检测方法大致可以分为四个步骤:图像预处理、目标区域选择、特征提取和分类器分类。对于目标区域的选择,传统的方法是通过滑动窗口的区域选择策略,时间和空间复杂度都比较高,在特征提取方面,是通过人工的方式设计目标的特征,有着工程时间长且鲁棒性较差等特点。随着深度学习的发展,通过卷积神经网络能够高效的提取图像的高维特征,如今在图像检测与识别的方法中,深度学习已成为最流行且最实用的。本文通过分析Faster R-CNN算法和YOLOV3算法,借鉴深度学习的理论技术,提出相应的改进策略,以实现对车辆图像的识别检测,本文主要的工作如下:（1）本文通过改进Faster R-CNN算法对建立数据库图像进行学习,通过采用K-Means...
【文章来源】：闽南师范大学福建省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
传统目标检测算法四个阶段
闽南师范大学工学硕士学位论文12操作中最重要的一个要素就是卷积核,在一个卷积中往往包含卷积核的个数、卷积核大小Size、卷积步长Stride以及所要填充的大小Padding等重要因素。实现卷积操作方法如图2.1所示：图2.1卷积操作运算方式在图中使用的是一个33的卷积核,且步长为1,通过SamePadding的方式,使得卷积后的大小与输入时的大小一致,将滑窗所覆盖的图像数据与卷积核上对应位置的数据首先进行对应的相乘然后在相加,得出卷积后的结果。使用卷积操作通常会造成图像的一些边界信息丢失的问题,通过在卷积操作中使用增加Padding能够解决信息丢失的问题,Padding操作分为3种方式SamePadding、ValidPadding、CustomPadding。使用SamePadding进行卷积也称为同卷积,可以得到与输入图像特征大小一致的结果,通过利用卷积中卷积核大小Size来对图像中的矩阵信息里进行边界填充操作。ValidPadding是直接对原始图像数据进行卷积,没有进行填充因此得到的特征图会比原先的输入图像要小,自定义的Padding得到的特征图大小由如下公式所得：1/)ker2(1/)ker2(stridenelpaddinginputoutputstridenelpaddinginputoutputwwwwhhhh(2.1)其中,output为输出图像矩阵信息大小,input为输入图像矩阵信息大小,padding为填充边
池化层的作用是通过将图像的特征进行稀疏参数来减少网络模型中需要学习的参数,通过池化层的降维操作可以有效的降低网络模型的复杂度,其中池化层的计算过程与卷积层类似。常见的一些池化方法包括最大池化 Max pooling、平均池化 Mean pooling和随机池化 3 种方式。采用最大池化的方法就是将 Pooling 窗口中滑窗所覆盖所有最大的特征值数据进行输出,平均池化方法是将 Pooling 窗口中滑窗所覆盖的均值作为输出,随机池化则是从滑窗覆盖的 Pooling 窗口元素中随机选择一个作为输出,三种方式的计算如图 2.2 所示：
本文编号：2935841
【文章来源】：闽南师范大学福建省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
传统目标检测算法四个阶段
闽南师范大学工学硕士学位论文12操作中最重要的一个要素就是卷积核,在一个卷积中往往包含卷积核的个数、卷积核大小Size、卷积步长Stride以及所要填充的大小Padding等重要因素。实现卷积操作方法如图2.1所示：图2.1卷积操作运算方式在图中使用的是一个33的卷积核,且步长为1,通过SamePadding的方式,使得卷积后的大小与输入时的大小一致,将滑窗所覆盖的图像数据与卷积核上对应位置的数据首先进行对应的相乘然后在相加,得出卷积后的结果。使用卷积操作通常会造成图像的一些边界信息丢失的问题,通过在卷积操作中使用增加Padding能够解决信息丢失的问题,Padding操作分为3种方式SamePadding、ValidPadding、CustomPadding。使用SamePadding进行卷积也称为同卷积,可以得到与输入图像特征大小一致的结果,通过利用卷积中卷积核大小Size来对图像中的矩阵信息里进行边界填充操作。ValidPadding是直接对原始图像数据进行卷积,没有进行填充因此得到的特征图会比原先的输入图像要小,自定义的Padding得到的特征图大小由如下公式所得：1/)ker2(1/)ker2(stridenelpaddinginputoutputstridenelpaddinginputoutputwwwwhhhh(2.1)其中,output为输出图像矩阵信息大小,input为输入图像矩阵信息大小,padding为填充边
池化层的作用是通过将图像的特征进行稀疏参数来减少网络模型中需要学习的参数,通过池化层的降维操作可以有效的降低网络模型的复杂度,其中池化层的计算过程与卷积层类似。常见的一些池化方法包括最大池化 Max pooling、平均池化 Mean pooling和随机池化 3 种方式。采用最大池化的方法就是将 Pooling 窗口中滑窗所覆盖所有最大的特征值数据进行输出,平均池化方法是将 Pooling 窗口中滑窗所覆盖的均值作为输出,随机池化则是从滑窗覆盖的 Pooling 窗口元素中随机选择一个作为输出,三种方式的计算如图 2.2 所示：
本文编号：2935841
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2935841.html
