基于注意力机制的深度学习目标检测算法的研究

发布时间：2021-02-27 07:41

　　目标检测探讨如何精确的定位并分类物体,它是计算机视觉中的一个重要研究范畴。目标检测作为基础性的识别研究,对后续的行人检测、人脸识别、自动驾驶等研究都有着至关重要的影响。虽然关于目标检测的研究由来已久,然而依然存在着许多关键问题亟待解决,例如小目标的检测精度普遍不高、重叠物体检测困难、一阶段目标检测算法精度较差、实时目标检测精度与速度的平衡等。本篇论文提出了基于注意力机制的深度学习算法来进行目标检测,注意力机制对提取的特征进行了有针对性的加权,让目标检测更加具有目的性,输出的特征更具有显著性。设计并训练了一个新颖的三分支目标检测模型——TBANet,包含空间网络、语义网络和上下文网络,达到空间细节信息、多级语义信息、上下文信息的高质量的获取,从而实现了精确的目标检测。本文针对注意力机制进行深入研究。首先介绍了注意力机制、多分支网络和网络主干网的研究现状。然后对卷积神经网络、目标检测算法、注意力机制的理论进行叙述。之后说明了各种注意力模块和空间金字塔池化模块的设计,并进行了对比实验,通过实验说明了所设计模块的作用及有效性。所提出的算法在PASCAL VOC 2007测试数据集上获得了83.... 

【文章来源】：内蒙古大学内蒙古自治区 211工程院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

卷积操作示例图

基于注意力机制的深度学习目标检测算法的研究8图2.1卷积操作示例图Figure2.1Samplediagramofconvolutionoperations池化层（PoolingLayer）：卷积神经网络在某个位置学习到图像的信息后，在别处都可以识别相应的信息。但是单纯的卷积操作堆叠，参数量庞大，占用大量资源。为了减少参数及防止出现过拟合（over-fitting），采用池化操作来对不同位置的特征进行聚合统计，计算图像一个区域上的某个特定特征的平均值（或最大值）。使用频率最多的池化操作有最大池化（maxpooling）和平均池化（meanpooling）。以最大池化为例，其过程如图2.2所示。图2.2最大池化操作示例图Figure2.2Samplediagramofmaxpoolingoperations全连接层（FullyConnectedLayer）：在卷积神经网络中，全连接层位于网络的最后几层，起着分类的作用，它的每个神经元与其前一层的所有神经元进行全连接，其操作与传统神经网络相同。由于全连接层的参数量大，现在有些研究用平均池化（meanpooling）或者用1×1卷积代替它。

基于注意力机制的深度学习目标检测算法的研究10以原图中这个区域的中心点来作为锚点（anchors）的中心点。并画出每一个锚点框，这样就产生了候选区域（锚点相当于画出候选区域的模板）。在每个滑动窗口位置，同时预测多个候选区域，其中每个位置的最大数目表示为k。候选区域被输入到一个回归层（reglayer）和一个分类层（clslayer），回归层用来给边界框定位，分类层用来分类是不是目标。RPN网络结构示意图如图2.4所示。图2.4RPN网络结构图Figure2.4RPNnetworkstructure2.2.2SSD目标检测算法针对FasterR-CNN检测速度达不到实时和YOLO[41]精度不高的不足之处，WeiLiu等人提出了新的一阶段目标检测算法SSD，该算法融入了锚点的思想，提出了默认框（defaultboxes）方法，还借鉴了FasterR-CNN用卷积层做预测的思想（即RPN网络的思想）。SSD算法采用了类似传统图像金字塔的思想，在网络的不同位置均匀的对特征图进行抽样，获得不同长宽比以及尺度的样本，然后进行分类和回归。低层特征图具有丰富细节信息，而高层则有更多的高级语义信息。因此，靠前的特征图利于检测小物体，靠后的则利于大物体的检测。SSD的主干网是16层的VGG，把原主干网的最后两个全连接层改为了卷积层，同时在后面增加4个卷积层，利于后续提取多尺度的特征图样本。SSD的网络结构如图2.5所示。图2.5SSD网络结构图Figure2.5SSDnetworkstructure

【参考文献】：
期刊论文
[1]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋.  自动化学报. 2016(10)
[2]人类视觉注意机制在目标检测中的应用[J]. 桑农,李正龙,张天序.  红外与激光工程. 2004(01)



本文编号：3053913