基于深度学习的交通场景目标检测研究

发布时间：2021-08-10 14:43

　　计算机视觉作为一个十分前沿而又活跃的研究领域,已经发展为人工智能最重要的分支之一。基于视觉的目标检测算法已经在各个领域得到应用,比如智能视频分析系统,工业智能制造系统,智慧城市交通系统,自动驾驶等领域。本文主要针对交通场景的目标检测算法展开研究,期望深度学习目标检测算法能够促进自动驾驶感知技术快速发展。首先,论文归纳并总结了经典的目标检测算法和现在基于卷积神经网络的目标检测算法,详细地分析了两类算法性能的差异和适用场景。对基于深度学习的目标检测算法的研究现状做了客观的总结,并对未来的发展趋势做了展望。其次,为了满足交通场景对目标检测算法的精度和速度的需求,论文选取快速的单阶段目标检测算法SSD（Single Shot Multi Box Detector,SSD）进行研究。针对SSD对困难小目标的检测性能差的问题,提出了一种深度特征融合算法DFSSD（Deep Fusion based Single Shot MultiBox Detector,DFSSD）,提升了SSD检测困难小目标的精度。在PASCAL VOC2007测试集上,DFSSD比原始SSD300的m Ap（mean Av... 

【文章来源】：东华大学上海市 211工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

生物神经元基本模型

第二章深度学习相关理论与技术171()niiizwxbx(2.1)yf(z)(2.2)图2.2神经元数学模型2.1.3反向传播算法反向传播算法(BackPropagation,BP)[42]，是深度学习的基础算法，算法可以分为两步：(1)前向计算，把输入信息传入神经网络，信息通过神经网络每一个隐藏层的处理，逐步传递到神经网络的输出层，在输出层获得一个预测值，用神经网络的预测值和样本数据的期望值求得一个误差信号。(2)反向传播，把求得的误差信号通过链式求导，逐一传递给每一个隐藏层的参数，即求得误差对各个隐藏层参数的梯度，然后用这些梯度来更新每层对应的参数。反向传播算法是一个不断地迭代优化的过程，直到神经网络的输出与期望值的误差小于一定的阈值，才停止更新参数，训练结束。反向传播算法流程可以概括为以下几步：1.输入为x：把第l层神经元的激活值记为la，第l层激活函数的输入记为lz，把目标函数对第l层的第j个元素的导数记为ljljcδz2.前向计算：对每一个隐藏层l1,2,,L计算()llaσz(2.3)lll1lzwab(2.4)3.对最后一层有

第二章深度学习相关理论与技术1911000011100010100110011005×5输入X3×3卷积核K3×3输出P图2.3卷积计算过程2.2.2池化层池化层在卷积神经网络中可以起到下采样的作用，提取图像关键的特征，在一定程度上可以减轻过拟和。此外，池化操作对仿射变换具有一定的不变性，具体的可以分为最大池化和平均池化，二者的计算方式如图2.4所示，其中x是最大池化计算结果，y是平均池化计算结果。图2.4池化计算过程2.3损失函数损失函数是神经网络优化的目标，针对不同任务，通常采取的损失函数也有所区别。下面分别就分类任务和回归任务经常采用的损失函数予以介绍。1)分类损失函数：交叉熵损失：分类任务最常用的是交叉熵损失函数，交叉熵损失有两种形式，分别如公式2.11和公式2.12所示101010101323242224max1234xfx,x,x,x(2.9)4114iiyy(2.10)


本文编号：3334249