基于深度特征融合的通用目标检测算法研究
发布时间：2021-12-30 16:30
通用目标检测一直是计算机视觉和数字图像处理中最为基础和最具挑战性的问题之一,在自动驾驶、人脸识别、图像检索和工业检测等领域都具有广泛的应用前景。传统的通用目标检测算法主要依赖于人工设计的算子提取特征。然而这种特征的泛化性和鲁棒性较弱制约了传统的通用目标检测算法的进一步发展。近年来随着大数据和计算机硬件的发展,深度学习凭借其强大的特征提取能力在通用目标检测领域取得了巨大的成功。本文以通用目标的检测为研究对象,分析了现有通用目标检测算法的不足之处,提出了一种基于深度特征融合的通用目标检测算法,在满足实时检测要求的同时取得了很高的检测精度。本文的主要研究内容可以分为以下几个方面:（1）SSD算法研究与分析。详细研究了基于深度学习的通用目标检测算法SSD（single shot multibox detector）,指出SSD算法在检测多尺度目标时效果并不理想,对小目标容易出现漏检和误检。通过分析SSD的框架结构,发现这种现象的原因是浅层的特征图缺乏用于目标分类的语义信息,而深层的特征图缺乏用于目标定位的边界信息。（2）多尺度目标问题分析。通过分析数据集的组成,指出多尺度目标检测的难点在于目标...
【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】：87 页
【学位级别】：硕士
【部分图文】：
RCNN算法
东华大学硕士学位论文第一章绪论7放候选区域就能实现任意大孝任意长宽比区域的特征提取，从而避免了卷积层特征的重复计算，在保证检测精度的情况下能实现RCNN38倍的检测速度。图1-3SPPNet算法针对于SPPNet只对RCNN的结构进行了微调，仍然没有解决训练过程分成多阶段的问题，R.Girshick等人结合了RCNN和SPPNet的优点又提出了Fast-RCNN[13]（图1-4）。Fast-RCNN将整张图像归一化后直接送入CNN，然后在卷积层输出的特征图上加入候选区域信息，避免了特征提取的重复计算。此外Fast-RCNN还首次采用了多任务损失函数（multi-taskloss），将边框回归和目标分类统一到一个损失函数中，实现两者的同步训练。Fast-RCNN在VOC2007数据集上检测精度达到70.0%，比RCNN提升了11.5%。图1-4Fast-RCNN算法
东华大学硕士学位论文第一章绪论7放候选区域就能实现任意大孝任意长宽比区域的特征提取，从而避免了卷积层特征的重复计算，在保证检测精度的情况下能实现RCNN38倍的检测速度。图1-3SPPNet算法针对于SPPNet只对RCNN的结构进行了微调，仍然没有解决训练过程分成多阶段的问题，R.Girshick等人结合了RCNN和SPPNet的优点又提出了Fast-RCNN[13]（图1-4）。Fast-RCNN将整张图像归一化后直接送入CNN，然后在卷积层输出的特征图上加入候选区域信息，避免了特征提取的重复计算。此外Fast-RCNN还首次采用了多任务损失函数（multi-taskloss），将边框回归和目标分类统一到一个损失函数中，实现两者的同步训练。Fast-RCNN在VOC2007数据集上检测精度达到70.0%，比RCNN提升了11.5%。图1-4Fast-RCNN算法
【参考文献】：
期刊论文
[1]FastFace:实时鲁棒的人脸检测算法[J]. 李启运,纪庆革,洪赛丁. 中国图象图形学报. 2019(10)
[2]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)
[3]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[4]一种基于Haar-Like T特征的人脸检测算法[J]. 王庆伟,应自炉. 模式识别与人工智能. 2015(01)
[5]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植. 模式识别与人工智能. 2014(04)
[6]局部二值模式方法研究与展望[J]. 宋克臣,颜云辉,陈文辉,张旭. 自动化学报. 2013(06)
[7]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[8]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[9]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
[10]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳. 电子科技大学学报. 2011(01)
硕士论文
[1]基于注意力机制深度神经网络的车辆细分类系统设计与实现[D]. 董雄雄.北京邮电大学 2019
[2]基于深度学习的船只光学遥感图像检测和分割[D]. 冯冬青.电子科技大学 2019
[3]基于深度学习的细粒度图像识别算法研究及应用[D]. 贾军伟.浙江工商大学 2019
本文编号：3558579
【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】：87 页
【学位级别】：硕士
【部分图文】：
RCNN算法
东华大学硕士学位论文第一章绪论7放候选区域就能实现任意大孝任意长宽比区域的特征提取，从而避免了卷积层特征的重复计算，在保证检测精度的情况下能实现RCNN38倍的检测速度。图1-3SPPNet算法针对于SPPNet只对RCNN的结构进行了微调，仍然没有解决训练过程分成多阶段的问题，R.Girshick等人结合了RCNN和SPPNet的优点又提出了Fast-RCNN[13]（图1-4）。Fast-RCNN将整张图像归一化后直接送入CNN，然后在卷积层输出的特征图上加入候选区域信息，避免了特征提取的重复计算。此外Fast-RCNN还首次采用了多任务损失函数（multi-taskloss），将边框回归和目标分类统一到一个损失函数中，实现两者的同步训练。Fast-RCNN在VOC2007数据集上检测精度达到70.0%，比RCNN提升了11.5%。图1-4Fast-RCNN算法
东华大学硕士学位论文第一章绪论7放候选区域就能实现任意大孝任意长宽比区域的特征提取，从而避免了卷积层特征的重复计算，在保证检测精度的情况下能实现RCNN38倍的检测速度。图1-3SPPNet算法针对于SPPNet只对RCNN的结构进行了微调，仍然没有解决训练过程分成多阶段的问题，R.Girshick等人结合了RCNN和SPPNet的优点又提出了Fast-RCNN[13]（图1-4）。Fast-RCNN将整张图像归一化后直接送入CNN，然后在卷积层输出的特征图上加入候选区域信息，避免了特征提取的重复计算。此外Fast-RCNN还首次采用了多任务损失函数（multi-taskloss），将边框回归和目标分类统一到一个损失函数中，实现两者的同步训练。Fast-RCNN在VOC2007数据集上检测精度达到70.0%，比RCNN提升了11.5%。图1-4Fast-RCNN算法
【参考文献】：
期刊论文
[1]FastFace:实时鲁棒的人脸检测算法[J]. 李启运,纪庆革,洪赛丁. 中国图象图形学报. 2019(10)
[2]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)
[3]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[4]一种基于Haar-Like T特征的人脸检测算法[J]. 王庆伟,应自炉. 模式识别与人工智能. 2015(01)
[5]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植. 模式识别与人工智能. 2014(04)
[6]局部二值模式方法研究与展望[J]. 宋克臣,颜云辉,陈文辉,张旭. 自动化学报. 2013(06)
[7]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[8]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[9]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
[10]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳. 电子科技大学学报. 2011(01)
硕士论文
[1]基于注意力机制深度神经网络的车辆细分类系统设计与实现[D]. 董雄雄.北京邮电大学 2019
[2]基于深度学习的船只光学遥感图像检测和分割[D]. 冯冬青.电子科技大学 2019
[3]基于深度学习的细粒度图像识别算法研究及应用[D]. 贾军伟.浙江工商大学 2019
本文编号：3558579
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3558579.html
