基于深度学习的商标检测算法研究

发布时间：2021-10-27 16:08

　　在计算机视觉领域中,深度学习在目标检测任务上的性能已经超越以往,达到了历史最高水平。本文主要研究的课题就是目标检测问题在商标领域上的应用。不同于开放领域的目标检测任务,商标检测任务存在着目标尺度跨度大、场景变化复杂、目标旋转形变严重以及小目标数目众多等特点,而目前主流的目标识别算法在针对商标领域的识别任务时准确率并不高。基于上述背景,本论文主要内容是目标检测算法在商标检测领域的研究。针对商标数据集中存在的目标较小、遮挡和旋转等问题,本文提出了一种基于多尺度图像模板的候选区域生成算法。算法主要思想是基于原始候选框生成网络框架,将图像金字塔和多尺度图像模板结合到统一网络中,同时将特征提前网络由原来的使用最后一层特征改为特征金字塔网络,提高了算法对小目标的检测能力。针对不同分辨率图像,算法使用不同大小尺度的图像模板,既解决了多尺度检测的问题,也没有过多的冗余计算。通过在公开数据集和人工标注的汽车领域数据集CarLogos上的对比实验,证明我们的算法优于原始候选框提取算法以及Selective Search算法。由于前文提出的候选区域生成算法无法输入多尺度图像,使得算法无法统一到原始Faste... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

左图是PaulViola[28]

图 2-2 LBP 特征的计算过程[27]目标检测领域，多尺度形变部件模型[46]（DPM）算法也是近年来在该领行的算法，它由 Felzenszwalb 等人提出。该算法很好地结合了检测目标征信息与整体轮廓特征，有效地解决了在实际检测过程中遇到的遮挡目目标物自身存在更加细粒度的变化问题。该算法总体也是采用改进后

图 2-3 LeNe-5 的基本网络结构[35]虽然 LeNet 首次将卷积神经网络应用到实际任务中并取得了良好的效果，但实际由于激活函数等原因导致网络无法变得更深，以至于缺乏非线性特征。故此卷积神经网络迅速落寞下去，直到 Alex 和 Hinton 等人在 2010 年的 LSVRC 大赛中提出了 AlexNet[36]并取得冠军。虽然比赛数据集包含超过 1200 万张图像，共计


本文编号：3461938