基于弱监督深度学习的多尺度目标检测网络
发布时间：2021-10-27 12:18
随着人工智能技术在计算机视觉领域的广泛应用,目标检测作为计算机视觉中的代表问题之一也越来越受到人们的重视。目标检测技术从最原始的利用传统图像特征与机器学习的方法,逐渐发展到如今利用深度学习的方法,且检测的效果也逐步提升。而在目标检测问题中,待检测目标的多尺度特性往往是检测过程中的一个难点。针对这个问题,本文主要研究了一种基于弱监督深度学习的多尺度目标检测网络,并以此为基础设计了一个实时目标检测系统。同时以博物馆内的文物为例进行实现,针对该课题研究过程中遇到的问题展开了一系列研究,主要工作如下:（1）提出了一种改进的YOLO v3多尺度目标检测算法。通过在原算法的基础上使用可变形卷积和增强感受野的策略,提升了原有网络对于多尺度目标的检测效果。此外,由于原网络中有大量的批量归一化（Batch Normalization,BN）操作,这会导致因送入网络数据的批量大小（batch size）过小而影响网络的整体性能。对于这一问题本文使用了组归一化（Group Normalization,GN）策略加以解决。还通过使用标签平滑方法来进一步提升了原有网络的分类性能。而在对于输入数据的处理上,利用了...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 选题背景与意义
1.2 国内外研究背景与现状
1.2.1 基于传统图像特征与机器学习的目标检测算法
1.2.2 基于深度学习的目标检测及研究现状
1.2.3 多尺度目标检测及研究现状
1.2.4 基于弱监督的目标检测及研究现状
1.3 论文主要研究内容
1.4 论文结构安排
第二章 论文理论基础概要
2.1 引言
2.2 卷积神经网络
2.2.1 LeNet结构
2.2.2 AlexNet结构
2.2.3 VGGNet结构
2.2.4 GoogLeNet结构
2.2.5 ResNet结构
2.2.6 DenseNet结构
2.3 可变形卷积神经网络
2.4 深度目标检测网络
2.4.1 Faster R-CNN结构
2.4.2 YOLO系列结构
2.5 本章小结
第三章 一种改进的YOLO v3多尺度目标检测算法
3.1 引言
3.2 数据集介绍及预处理
3.2.1 数据集介绍
3.2.2 直方图均衡化提升对比度
3.3 算法主要思想
3.3.1 原YOLO v3目标检测算法的不足
3.3.2 提升网络的多尺度检测性能
3.3.3 降低网络对硬件的要求
3.3.4 进一步提升网络分类性能
3.4 实验结果及分析
3.4.1 提升对比度的影响
3.4.2 多尺度目标检测性能分析
3.4.3 采用GN的性能影响
3.4.4 标签平滑的影响
3.4.5 最终性能与实测结果展示
3.5 本章小结
第四章 一种弱监督深度学习目标检测网络
4.1 引言
4.2 基于弱监督深度学习的目标检测算法
4.2.1 算法主要思想
4.2.2 网络结构
4.3 训练数据及处理
4.4 实验结果及分析
4.4.1 不同卷积结构性能比较
4.4.2 完整数据的弱监督目标检测
4.4.3 部分数据的弱监督目标检测
4.5 本章小结
第五章 基于弱监督深度学习的目标检测系统设计及应用
5.1 引言
5.2 需求分析与方案设计
5.3 系统模块设计
5.3.1 视频流处理模块与图像处理模块
5.3.2 目标检测模块
5.3.3 显示模块
5.4 系统实现与应用
5.4.1 系统工作流程分析
5.4.2 应用步骤
5.5 实验与性能分析
5.5.1 系统标注策略实验
5.5.2 系统检测模块实验
5.5.3 实测结果展示
5.6 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[2]改进的直方图均衡化在遥感图像分类中的应用[J]. 岳昔娟,张勇,黄国满. 四川测绘. 2008(04)
[3]陕西历史博物馆设计[J]. 张锦秋. 建筑学报. 1991(09)
硕士论文
[1]基于深度学习的目标检测研究[D]. 朱润生.北京交通大学 2018
[2]基于多特征级联分类器的道路车辆检测方法研究[D]. 李婷俐.湖南大学 2012
本文编号：3461587
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 选题背景与意义
1.2 国内外研究背景与现状
1.2.1 基于传统图像特征与机器学习的目标检测算法
1.2.2 基于深度学习的目标检测及研究现状
1.2.3 多尺度目标检测及研究现状
1.2.4 基于弱监督的目标检测及研究现状
1.3 论文主要研究内容
1.4 论文结构安排
第二章 论文理论基础概要
2.1 引言
2.2 卷积神经网络
2.2.1 LeNet结构
2.2.2 AlexNet结构
2.2.3 VGGNet结构
2.2.4 GoogLeNet结构
2.2.5 ResNet结构
2.2.6 DenseNet结构
2.3 可变形卷积神经网络
2.4 深度目标检测网络
2.4.1 Faster R-CNN结构
2.4.2 YOLO系列结构
2.5 本章小结
第三章 一种改进的YOLO v3多尺度目标检测算法
3.1 引言
3.2 数据集介绍及预处理
3.2.1 数据集介绍
3.2.2 直方图均衡化提升对比度
3.3 算法主要思想
3.3.1 原YOLO v3目标检测算法的不足
3.3.2 提升网络的多尺度检测性能
3.3.3 降低网络对硬件的要求
3.3.4 进一步提升网络分类性能
3.4 实验结果及分析
3.4.1 提升对比度的影响
3.4.2 多尺度目标检测性能分析
3.4.3 采用GN的性能影响
3.4.4 标签平滑的影响
3.4.5 最终性能与实测结果展示
3.5 本章小结
第四章 一种弱监督深度学习目标检测网络
4.1 引言
4.2 基于弱监督深度学习的目标检测算法
4.2.1 算法主要思想
4.2.2 网络结构
4.3 训练数据及处理
4.4 实验结果及分析
4.4.1 不同卷积结构性能比较
4.4.2 完整数据的弱监督目标检测
4.4.3 部分数据的弱监督目标检测
4.5 本章小结
第五章 基于弱监督深度学习的目标检测系统设计及应用
5.1 引言
5.2 需求分析与方案设计
5.3 系统模块设计
5.3.1 视频流处理模块与图像处理模块
5.3.2 目标检测模块
5.3.3 显示模块
5.4 系统实现与应用
5.4.1 系统工作流程分析
5.4.2 应用步骤
5.5 实验与性能分析
5.5.1 系统标注策略实验
5.5.2 系统检测模块实验
5.5.3 实测结果展示
5.6 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[2]改进的直方图均衡化在遥感图像分类中的应用[J]. 岳昔娟,张勇,黄国满. 四川测绘. 2008(04)
[3]陕西历史博物馆设计[J]. 张锦秋. 建筑学报. 1991(09)
硕士论文
[1]基于深度学习的目标检测研究[D]. 朱润生.北京交通大学 2018
[2]基于多特征级联分类器的道路车辆检测方法研究[D]. 李婷俐.湖南大学 2012
本文编号：3461587
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3461587.html
