基于深度学习神经网络的广告牌识别系统的设计与实现

发布时间：2021-01-11 17:10

　　广告牌作为一种传统而经典的广告投放模式,具有受众广泛,投放便利,观看人员流动性大,职业和人群针对性强等特征,一直是广告宣传的重要方式。在扫码支付的流行风潮中,如何保持广告牌的经典活力,成为广告商和监管部门关注的要点。论文基于卷积神经网络技术,仍然以某企业广告牌识别的需求为背景,在本课题组先期以传统算法为核心的工作基础上,本文引入基于卷积神经网络的深度学习算法模型展开研究。首先,本文研究了建立相应系统所采取的各项技术和识别图像所具有的基本流程;第二,分析了在移动平台上进行针对广告牌识别的具体需求,以及适应复杂应用环境和实时准确性的要求;第三,在上述研究和分析的基础上提出了将深度学习神经网络模型拆分并分配至客户端与服务端的识别系统方案;第四,论文对该方案进行了详细的设计并具体实现了C/S架构的广告牌实时识别系统;最后,论文对所涉及实现的系统进行了相关测试,测试表明该系统通过改造拆分tiny-yolo模型,在客户端进行一定层数的卷积运算,避免了大规模数据上传,与传统算法和非分割型神经网络算法相比执行效率有所提升,达到了实时性的性能要求,也能应对复杂拍摄环境。 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

一个标准的神经元和一个标准的三层神经网络模型

[18]，作为一个标志性的模型，其具有许多特色和优势。该体系最终模型如图 2-2 所示。图 2-2 R-CNN 体系的目前最终成果，Faster R-CNN从图 2-2 模型可以看出，其卷积网络不再局限于前五层，RoI 机制也被独立的目标区域提取网络所取代，根据目标区域提取网络返回的结果，回到特征图截取指定区域，再经过处理后，作为分类器的输入。这样的做法同时保证了区域提取网络输入的相对稳定，目标识别区域的高效率提取以及有针对性的目标物体识别，从而使 Faster R-CNN 具有了其独特的优势，即使在被提出数年后仍在许多领域有重要的应用

也保证了其所提供的代码的健壮性和可移植性；OpenCV 向真实世界的实际应用环境提供支持，充分利用了 C 语言高效执行的优势。在本文的应用环境里，OpenCV主要用于提供图像采集先期处理所使用的标准函数，并辅助 CUDA 为神经网络的执行提供加速。主流图像处理手段，含神经网络的实现模式，在使用不同常见类库进行实现时的性能对比如图 2-3 所示。

【参考文献】：
期刊论文
[1]面向边缘计算的嵌入式FPGA卷积神经网络构建方法[J]. 卢冶,陈瑶,李涛,蔡瑞初,宫晓利.  计算机研究与发展. 2018(03)
[2]面向网络边缘应用的新一代神经网络——微型二值神经网络在保持低功耗的同时减少对存储器的需求[J]. Hussein Osman.  电子产品世界. 2018(01)
[3]基于深度学习的图像自动标注算法[J]. 杨阳,张文生.  数据采集与处理. 2015(01)
[4]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩.  自动化学报. 2013(08)
[5]我国网络广告市场现状及发展趋势[J]. 马艳.  今传媒. 2009(02)
[6]高斯滤波稳健性能的研究与改进[J]. 李惠芬,蒋向前,李柱.  仪器仪表学报. 2004(05)

博士论文
[1]基于深度学习的图像特征学习和分类方法的研究及应用[D]. 冯子勇.华南理工大学 2016

硕士论文
[1]基于深度卷积神经网络的道路场景物体检测方法研究[D]. 孙贵宾.北方工业大学 2017



本文编号：2971164