Android移动平台下基于深度学习的目标检测技术研究

发布时间：2024-05-07 05:15

　　目标检测是计算机视觉领域的核心和基础研究问题,在视频监控、生物医疗和自动驾驶等领域有着非常广泛的应用,相比较于传统的目标检测算法,基于深度学习的目标检测算法SSD(Single Shot MultiBox Detector)使得目标检测精度有了很大的提升,SSD采用VGG-16卷积神经网络提取特征,VGG-16权重参数多,计算量大,限制了SSD目标检测算法在智能手机、嵌入式设备等性能有限设备上的应用,本文研究目的是减少SSD算法模型的计算量,使其能够有更广泛的应用。(1)MobileNet是针对移动和嵌入式设备提出的轻量级卷积神经网络,压缩方法为计算MobileNet逐点卷积层过滤器的L1范数,移除L1范数最小的数个卷积过滤器,压缩效果为:MobileNet模型规模减少了18.6%,其Top-1和Top-5精度分别为65.2%和85.8%。(2)使用压缩后的MobileNet替换VGG-16作为SSD目标检测算法基础网络,并且在基础网络尾部添加八个卷积层,使用六个不同尺度的特征图进行卷积计算来检测目标,选取PASCAL VOC2007数据集对改进后的SSD目标检测模型进行训练和测试,实...

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

输入层、卷积层、激活函数、池化层和全连接层组成卷积神经网络，其结构示意图如图2.2所示：图2.2卷积神经网络结构示意图1.卷积层由于卷积神经网络的局部连接性质，卷积核与上一级输入层局部相连，将局部连接的像素值与卷积核的参数相乘再求和，然后加上偏置参数得到卷积层结果。在卷积....

卷积层需要学习的参数是滤波器filter的数值，对图像做卷积操作可以得到图像特征，图2.4即为通过卷积过滤器得到图像的特征。图2.4卷积层特征图2.激活函数通过激活函数，卷积神经网络引入了非线性因素[25]，使得卷积神经网络可以更好地解决实际的复杂问题，sigmoid....

图2.5sigmoid函数图像神经网络引入了概率，根据sigmoid函数的计算量较大，使用反向传播算法训练深层神这就使得sigmoid函数无法训练深层卷积神经为[-1,1]，定义见公式(2-2)，函数图像如图2.6图2.6Tanh函数图像

西安电子科技大学硕士学位论文图2.5sigmoid函数图像神经网络引入了概率，根据sigmoid函数的定此计算量较大，使用反向传播算法训练深层神经这就使得sigmoid函数无法训练深层卷积神经网为[-1,1]，定义见公式(2-2)，函数图像如图2.6

本文编号：3966871