面向图像目标识别和检测的深度神经网络关键技术研究

发布时间：2024-05-12 12:16

　　近年来,人工智能相关领域再次进入了人们的视野,得到了学术界、工业界的共同关注,成为了当前国际竞争的新焦点。在众多人工智能应用当中,图像目标识别和检测是关键技术,也是计算机视觉领域的热点研究课题。目标识别的核心任务是判别图像中的目标类型(分类问题),而检测问题通常可归约为给定图片下的多目标识别问题。目标识别问题通常采用机器学习算法解决,在图像特征上训练分类模型。因此设计鲁棒的、表达能力强的特征是目标识别的关键和重要研究内容。也因此,特征提取算法成为了计算机视觉众多应用领域的关键共性技术。随着深度学习技术的突破,以卷积神经网络进行特征学习逐渐取代了以专家知识和经验驱动的手工设计特征,成为了处理图像目标识别和检测任务的基本方法。但这也同时引入了一些新的挑战,具有代表性的是,更有效的网络结构设计、利于训练深层网络的优化方法,和变换不变的卷积特征表示。针对上述挑战性问题,论文以卷积神经网络的特征学习为切入点展开研究,在神经网络的功能单元,权重初始化方法及特征不变性三个方面进行深入分析和探讨。论文的主要研究内容和创新工作如下:1.针对现有非线性单元由于数学性质差异而产生的表达鸿沟问题,提出了一种参...

【文章页数】：117 页

【学位级别】：博士

【部分图文】：

图１－１卷积神经网络结构的演进及其在目标检测中的应用????表１－１目标检測中常用的特征提取算法???

ＲｅｓＮｅｔ?的改进结构，具有代表性的是?Ｐｒｅ－ＲｅｓＮｅｔ［３７］，?Ｉｎｃｅｐｔｉｏｎ－ＲｅｓＮｅｔ［３８］，??ＲｅｓＮｅｘｔ［３９］，?ＤｅｎｓｅＮｅｔ＿，?ＳＥ－Ｎｅｔ［４１】等。??图１－１展示了卷积神经网络在网络结构方面的进展研究，以及引申出的目??标检测方法的演....

图１－３目标识别和检测与本文研究内容及切入点的对应关系??

?北京邮电大学博士学位论文???提高特征表达能力。与同类方法相比具有更好的泛化能力和灵活性。本部分工作??的主要创新和贡献在于：??１）提出了一种变换不变表示学习框架，对多种空间变换具有不变性??２）该框架统一了数据增广和变换不变最大池化算法，因而能共享二者的优??势和特性??３....

图２－１卷枳神经网络的基本结构图??网络结构或拓扑对卷积神经网络的泛化性能有直接影响

积神经网络近年来有较大的发展和结构上的改进，但其主要的功能单元并未发生??改变。卷积神经网络在结构上主要包括卷积层、池化层（ｐｏｏｌｉｎｇ）、非线性单元、??ｓｏｆｔｍａｘ层和损失函数，如图２－１所不。其中全连接层（Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ，??ＦＣ）可以看做卷....

图２－２卷积计算过程平面图，以及７层卷积神经网络在ＣＩＦＡＲ－１０上训练后第一个??卷积层的６４个３ｘ３卷积核的可视化

积神经网络近年来有较大的发展和结构上的改进，但其主要的功能单元并未发生??改变。卷积神经网络在结构上主要包括卷积层、池化层（ｐｏｏｌｉｎｇ）、非线性单元、??ｓｏｆｔｍａｘ层和损失函数，如图２－１所不。其中全连接层（Ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ，??ＦＣ）可以看做卷....

本文编号：3971315