自然场景中维吾尔文检测系统的设计与实现

发布时间：2021-03-11 08:59

　　目标检测是计算机视觉领域的一个重要分支,其目的是对图像中的物体进行分类并对其定位。随着深度学习的发展,基于卷积神经网络（Convolutional Neural Networks,简称CNN）的目标检测算法逐渐兴起,其效果较传统的算法,有了明显的提升,但是卷积神经网络巨大的计算量使得其在实际应用中遇到了一定的障碍。另一方面,当下的自然场景文本检测工作主要集中在汉字和英文方面,关于维吾尔文检测的研究寥寥无几。基于当前这种现状,本文采用经过改进的YOLO V3算法,实现对自然场景图像中维吾尔文的准确且快速的检测,并设计实现了自然场景中维吾尔文检测系统。本文所做的工作内容大致如下:（1）本文优化了YOLO V3算法的网络结构,进一步提高了维吾尔文的检测精度。这里引入密集型模块（Dense Block）,代替YOLO V3网络结构中的Res Block,通过对图像特征信息的多次重复利用,达到提高检测精度的目的;受原网络结构中多尺度预测的启发以及发现其感受野单一的问题,通过使用含有扩张卷积（dilated convolution）的Trident Networks（三分支网络或三叉戟网络）的三分... 

【文章来源】：新疆大学新疆维吾尔自治区 211工程院校

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

YOLOV3算法思想流程图

Upsampling LayerFurther Layers图 2-12 YOLO V3 网络结构图YOLO V3 的检测模块借鉴了 FPN 网络的思想，通过上采样，实现多尺度预测。所谓的 FPN 网络是由自底向上（down-top）的网络，自顶向下（top-dow

Dense-Trident-YOLOV3的网络

【参考文献】：
期刊论文
[1]遥感图像中飞机的改进YOLOv3实时检测算法[J]. 戴伟聪,金龙旭,李国宁,郑志强.  光电工程. 2018(12)
[2]改进YOLO V3遥感图像飞机识别应用[J]. 郑志强,刘妍妍,潘长城,李国宁.  电光与控制. 2019(04)
[3]基于优化YOLO方法机场跑道目标检测[J]. 蔡成涛,吴科君,严勇杰.  指挥信息系统与技术. 2018(03)
[4]基于深度卷积神经网络的火灾预警算法研究[J]. 林作永,谌瑶.  信息通信. 2018(05)
[5]基于YOLOv2的复杂场景下车辆目标检测[J]. 李云鹏,侯凌燕,王超.  电视技术. 2018(05)
[6]基于级联卷积神经网络的机器人平面抓取位姿快速检测[J]. 夏晶,钱堃,马旭东,刘环.  机器人. 2018(06)
[7]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟.  红外与激光工程. 2018(01)
[8]基于SSD的行人检测方法[J]. 朱敏.  科学技术创新. 2017(36)
[9]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕.  电子测量技术. 2017(11)
[10]一种基于改进式SSD算法的稳态检测方法[J]. 杨雯宇,邱天,段海洋,李南,李锦鹏.  自动化技术与应用. 2017(02)

硕士论文
[1]基于深度学习的自然场景中维吾尔文检测[D]. 彭勇.新疆大学 2018
[2]基于物体检测的图像检索算法[D]. 张宇.西安电子科技大学 2017
[3]目标检测网络SSD的区域候选框的设置问题研究[D]. 翁昕.西安电子科技大学 2017
[4]室内场景下行人检测与跟踪技术的研究[D]. 张岩.北京工业大学 2017
[5]基于HLS的Tiny-yolo卷积神经网络加速研究[D]. 张丽丽.重庆大学 2017
[6]基于HOG特征提取的车辆检测方法研究[D]. 刘家旭.华北电力大学 2017
[7]复杂背景图像中的维语检测研究[D]. 刘顺.山东大学 2016
[8]基于Haar和Hog的监控视频人流统计[D]. 董浩.合肥工业大学 2016
[9]基于HOG和Haar-like融合特征的车辆检测[D]. 杨慧.南京邮电大学 2013



本文编号：3076219