基于表示学习的目标检测与分割算法研究

发布时间：2021-05-20 10:58

　　随着人工智能浪潮的到来,深度学习作为表示学习的一个重要分支,其发展大幅提高了视觉识别任务的最终性能。尽管有着大量的理论、学术研究,但在面对复杂应用环境以及计算资源相对匮乏的设备平台时,视觉识别模型的表现仍不如人意。作为视觉识别任务的核心问题,目标检测和分割任务的发展始终在模型准确率与计算效率的取舍中艰难前进。本文的核心思想是利用表示学习相关理论,在保证视觉识别任务性能的前提下,能够设计出低延迟、低功耗的视觉识别模型。本文的主要工作如下:对目前表示学习中在视觉识别任务起重要作用的深度卷积神经网络进行梳理,介绍具有代表性的深度卷积神经网络和轻量级卷积神经网络。并对表示学习在视觉识别任务中的相关工作从多尺度特征学习、上下文特征学习以及关系网络三个方面进行概要总结。其中,多尺度特征学习从图像金字塔、预测金字塔、特征融合以及特征金字塔四个角度进行分析;上下文特征学习通过全局上下文特征学习和局部上下文特征学习进行阐述;并对关系网络在视觉识别任务上的应用从图卷积神经网络和自注意力机制两个方面进行整理。针对医院现有医疗设备计算资源相对匮乏的问题,采用上下文特征编码病灶周围区域的信息,再通过自注意力机制... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 目标检测算法简介
    1.3 语义分割算法简介
    1.4 研究现状以及未来发展趋势
    1.5 本文主要创新点
    1.6 章节安排
第二章 表示学习
    2.1 卷积神经网络
        2.1.1 常用卷积神经网络
        2.1.2 轻量级卷积神经网络
    2.2 特征表示学习
        2.2.1 多尺度特征学习
        2.2.2 上下文特征学习
        2.2.3 关系网络
    2.3 本章小结
第三章 上下文自注意力皮肤病分割算法
    3.1 上下文自注意力模块
    3.2 上下文自注意力皮肤病分割网络
    3.3 实验及应用
        3.3.1 数据集及实验设置
        3.3.2 评价标准
        3.3.3 损失函数
        3.3.4 实验结果
        3.3.5 对比实验
        3.3.6 可视化分析
    3.4 本章小结
第四章 轻量级人脸检测算法研究
    4.1 算法基本框架
    4.2 轻量级特征提高模块
    4.3 锚点致密策略
    4.4 实验及应用
        4.4.1 数据集及实验设置
        4.4.2 评价标准
        4.4.3 PASCAL Face数据集
        4.4.4 AFW数据集
        4.4.5 FDDB数据集
        4.4.6 WIDER FACE数据集
        4.4.7 对比实验
    4.5 本章小结
第五章 总结与展望
    5.1 研究工作总结
    5.2 未来工作展望
致谢
参考文献
附录:在读期间发表的学术论文与取得的研究成果



本文编号：3197637