基于深度神经网络的目标检测方法研究
发布时间：2021-05-08 09:26
机器视觉是工业生产和人们日常生活中的重要组成部分,近年来在自动驾驶、机器人自主定位、人脸检测等多个领域得到了广泛的推广和应用。目标检测是机器视觉领域的一个重要分支,随着视觉行业对目标检测实时性要求的提高,传统的目标检测方式已经不足以满足生产生活上人们的需求。随着大数据时代的到来和计算机运算能力的显著提升,以深度学习为首的智能算法正在日益颠覆日常生活中的一切,卷积神经网络作为深度学习模型中的一种,在人脸识别领域的准确率达到了97.52%,比人类肉眼更精准,因此结合深度学习在图像识别领域的出色表现,研究基于深度学习算法的目标检测具有重要的意义。本文围绕基于深度神经网络的目标检测方法进行研究,针对目标检测过程中候选区域的提取,卷积神经网络采样层的激活函数,反向传播过程中的梯度下降法,网络学习率和损失函数进行研究和改进。主要内容如下:首先,针对目标提取算法传统方式遍历花费时间长,产生冗余候选区域多的问题上,研究现有的目标候选区域提取算法,结合图像分割算法对基于穷举法的滑动窗口策略进行改进。通过基于临近图的融合算法将图像分为多个无重叠子区域,构建像素点的坐标,像素点的值的二元函数精准计算图像特征...
【文章来源】：东北石油大学黑龙江省
【文章页数】：54 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
创新点摘要
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 目标检测研究现状
1.2.2 深度神经网络的研究现状
1.3 论文研究的主要内容
1.4 论文安排
第二章 基于图像分割的目标定位方法改进
2.1 引言
2.2 基于滑动窗口的目标定位方法
2.3 基于图像分割的目标定位方法
2.3.1 图像分割算法
2.3.2 图像分割在图像目标定位上的应用
2.4 本章小结
第三章 改进的卷积神经网络
3.1 引言
3.2 Alex Net卷积神经网络参数选取
3.3 基于Alex Net的网络模型优化与改进
3.3.1 改进网络非线性层激活函数
3.3.2 基于惯性理论的随机梯度下降法
3.3.3 基于自适应的网络学习率调整
3.3.4 基于交叉熵的损失函数优化
3.4 本章小结
第四章 基于改进的卷积神经网络的目标检测框架及应用
4.1 引言
4.2 改进的目标检测框架及训练方法
4.2.1 基于改进的目标检测算法流程
4.2.2 数据的选取与卷积神经网络的训练
4.2.3 目标分类结果与分析
4.3 基于迁移学习的网络深层结构微调整
4.3.1 迁移学习模型
4.3.2 迁移学习在网络模型上的应用
4.4 目标检测结果与分析
4.4.1 目标检测评价标准及几种算法的性能比较
4.4.2 目标检测结果分析
4.5 本章小结
结论
参考文献
发表文章目录
致谢
【参考文献】：
期刊论文
[1]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[2]基于条件生成对抗网络的手绘图像检索[J]. 刘玉杰,窦长红,赵其鲁,李宗民,李华. 计算机辅助设计与图形学学报. 2017(12)
[3]基于类物体采样方法的多类别物体识别[J]. 张志柏,朱敏,孙传庆,牛杰. 中国工程机械学报. 2017(01)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪. 计算机系统应用. 2016(08)
[6]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[7]相似性约束的深度置信网络在SAR图像目标识别的应用[J]. 丁军,刘宏伟,陈渤,冯博,王英华. 电子与信息学报. 2016(01)
[8]基于FAST特征的快速图像拼接系统研究[J]. 张懿,刘艺. 计算机工程与应用. 2016(10)
[9]基于多GPU的深度神经网络训练算法[J]. 顾乃杰,赵增,吕亚飞,张致江. 小型微型计算机系统. 2015(05)
[10]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
博士论文
[1]复杂背景下运动目标检测和识别关键技术研究[D]. 解晓萌.华南理工大学 2012
[2]基于非局部信息的保边缘图像去噪研究及应用[D]. 熊波.华中科技大学 2012
[3]智能视频监控中的运动目标检测和跟踪算法研究[D]. 袁国武.云南大学 2012
硕士论文
[1]用于安防监控的人体入侵图像识别算法研究[D]. 杨鹏飞.湖南大学 2014
[2]基于机器视觉的零件识别和测量系统研究[D]. 邓小峰.南京航空航天大学 2014
本文编号：3175089
【文章来源】：东北石油大学黑龙江省
【文章页数】：54 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
创新点摘要
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 目标检测研究现状
1.2.2 深度神经网络的研究现状
1.3 论文研究的主要内容
1.4 论文安排
第二章 基于图像分割的目标定位方法改进
2.1 引言
2.2 基于滑动窗口的目标定位方法
2.3 基于图像分割的目标定位方法
2.3.1 图像分割算法
2.3.2 图像分割在图像目标定位上的应用
2.4 本章小结
第三章 改进的卷积神经网络
3.1 引言
3.2 Alex Net卷积神经网络参数选取
3.3 基于Alex Net的网络模型优化与改进
3.3.1 改进网络非线性层激活函数
3.3.2 基于惯性理论的随机梯度下降法
3.3.3 基于自适应的网络学习率调整
3.3.4 基于交叉熵的损失函数优化
3.4 本章小结
第四章 基于改进的卷积神经网络的目标检测框架及应用
4.1 引言
4.2 改进的目标检测框架及训练方法
4.2.1 基于改进的目标检测算法流程
4.2.2 数据的选取与卷积神经网络的训练
4.2.3 目标分类结果与分析
4.3 基于迁移学习的网络深层结构微调整
4.3.1 迁移学习模型
4.3.2 迁移学习在网络模型上的应用
4.4 目标检测结果与分析
4.4.1 目标检测评价标准及几种算法的性能比较
4.4.2 目标检测结果分析
4.5 本章小结
结论
参考文献
发表文章目录
致谢
【参考文献】：
期刊论文
[1]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[2]基于条件生成对抗网络的手绘图像检索[J]. 刘玉杰,窦长红,赵其鲁,李宗民,李华. 计算机辅助设计与图形学学报. 2017(12)
[3]基于类物体采样方法的多类别物体识别[J]. 张志柏,朱敏,孙传庆,牛杰. 中国工程机械学报. 2017(01)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[5]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪. 计算机系统应用. 2016(08)
[6]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[7]相似性约束的深度置信网络在SAR图像目标识别的应用[J]. 丁军,刘宏伟,陈渤,冯博,王英华. 电子与信息学报. 2016(01)
[8]基于FAST特征的快速图像拼接系统研究[J]. 张懿,刘艺. 计算机工程与应用. 2016(10)
[9]基于多GPU的深度神经网络训练算法[J]. 顾乃杰,赵增,吕亚飞,张致江. 小型微型计算机系统. 2015(05)
[10]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
博士论文
[1]复杂背景下运动目标检测和识别关键技术研究[D]. 解晓萌.华南理工大学 2012
[2]基于非局部信息的保边缘图像去噪研究及应用[D]. 熊波.华中科技大学 2012
[3]智能视频监控中的运动目标检测和跟踪算法研究[D]. 袁国武.云南大学 2012
硕士论文
[1]用于安防监控的人体入侵图像识别算法研究[D]. 杨鹏飞.湖南大学 2014
[2]基于机器视觉的零件识别和测量系统研究[D]. 邓小峰.南京航空航天大学 2014
本文编号：3175089
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3175089.html
