基于TensorFlow框架的目标检测与细分系统研发

发布时间：2024-04-23 00:31

　　计算机科学的迅猛发展,使人们的生活越来越智能化。人工智能领域一直以来是重要的研究领域。计算机视觉是人工智能领域的一个重要研究部分,包括图像处理、机器学习、模式识别等多个学科。目标检测是计算机视觉中的非常重要的一个研究方向。目标检测与细分主要检测出图片中的物体,例如,智能交通系统中交通视频含有的车辆和无人驾驶场景中的车辆、行人、骑自行车的人和交通灯。由于真实场景中的目标所在环境比较复杂,这对目标检测与细分系统算法有着较高的要求。传统的目标检测算法,首先提取出人工设计出来的经典特征,再放入经典的分类器中进行分类识别。传统的目标检测算法是手工设计的特征,比较简单,鲁棒性比较差,而且基于滑动窗的区域选择策略窗口冗余且复杂度高。本文系统中使用的目标检测算法,结合了深度学习的技术,代替传统的基于卷积滤波的方法,对道路场景中的目标进行检测并细分。论文基于TensorFlow深度学习框架,TensorFlow是一个用于机器智能的开源软件库,是来作为实现神经网络学习框架的学习软件库。本文采用了深度学习的较为经典的目标检测框架:R-FCN以及SSD。就大量样本标注而言,本文采用半自动化标注的方式结合增量学...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图2-4R-CNN目标检测系统框图

顾名思义，最大就是选取最大值，均值就是求取平均值，池化层有类似于选择特的功能，依据一定规则从卷积层特征图中的局部区域计算出特征值。一般情形下，池层无重叠地选择局部区域。所以，池化操作降低特征维度的同时，保证特征具有抗性能力。全连接层在特征提取的后面，把前一层的神经元与当前层的每个....

图2-5FastR-CNN框架

图2-5FastR-CNN框架它主要做的工作是将SVM分类和深度网络两阶段进行整合，使用这个新的网络做分类和回归。主要进行的改进如下：1．在最后卷积层加了ROIpoolinglayer，这层首先将图片里面的ROI定位到featureMAP，再用一个单层S....

图2-6FasterR-CNN框架

图2-5FastR-CNN框架的工作是将SVM分类和深度网络两阶段进行整合，使用这个新主要进行的改进如下：卷积层加了ROIpoolinglayer，这层首先将图片里面的ROI定位个单层SPPlayer把这个featureMAPpatch池化固定....

图2-7R-FCN框架

图2-7R-FCN框架基于回归的深度学习检测模型采用回归的思想，按照一定规则预先划分默认框，建立起预测框、默认框、以及groundtruth物体框的关系来训练，代表有YOLO、SSDR-CNN系列都需要生成建议框，再在建议框里进行分类和回归，由于建议框之间重叠的部....

本文编号：3962354