快速神经网络指导训练与感兴趣区域目标检测的研究

发布时间：2021-03-26 15:50

　　随着深度学习方法不断地被重视,许多生活中的应用得到了革新性的改变,如物体识别技术的广泛应用。然而,深度学习方法的计算复杂度非常庞大,需要昂贵的硬件作为计算平台支持。因此,在保持识别准确率的前提下,提高卷积神经网络的计算效率对实际应用有着非常重要的作用。本文主要提出了基于映射层的指导训练方法与基于感兴趣区域的目标检测方法。在训练端,搭建基于映射层的卷积神经网络,指导模型的训练,实现大幅度提高模型准确率的效果;在测试端,修改卷积层的计算方法,设置特定的计算区域,实现大幅度提高模型检测效率的效果。本文研究的主要内容及创新点如下:1.本文提出了基于映射层的指导训练方法。基于卷积神经网络的基本结构,重点分析了快速卷积运算和矩阵乘法的计算方式。通过搭建两个模型之间的训练桥梁,使小规模模型能够从大规模模型中学习并得到高效的特征信息。2.本文基于PASCAL和CIFAR-10公共数据集,验证了指导训练方法的稳定性和准确性。测试结果显示指导训练方法一方面可提高模型的准确率,另一方面可降低模型的计算复杂度,实现了计算速率快且模型准确率较高的效果。3.本文提出了基于感兴趣区域的目标检测方法。由于卷积神经网络... 

【文章来源】：深圳大学广东省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

卷积原理

图 2-2 膨胀参数(dilation)原理化层化层的作用是在滑动窗内寻找其最大值，并且保存其最大值进行下一步的操所示，假设滑动窗的尺寸为 ，步长为 3，那么提取出滑动窗内的 9 个数字并且保存，滑动窗按照步长的大小进行滑动，重复以上步骤。图 2-3 池化层原理

11图 2-3 池化层原理是在滑动窗内寻找最大值，同时其也有其他的作用，池化层。池化层的目的是减少整个图像尺寸的特征以这样的一个步骤，可以更加明显地提取其特征。平均平均池化层一方面主要关注的是所有在池化区域中导少于等于零的值。另一方面，最大值池化层可以很容


本文编号：3101843