基于特征融合和自适应锚框的目标检测算法研究

发布时间：2025-03-18 03:06

　　近年来,目标检测在智慧城市、无人驾驶、视频信息检索等诸多领域都得到了广泛应用,是计算机视觉、人工智能等领域的重要研究方向之一。本文首先介绍了基于深度学习的目标检测算法的基本理论,然后围绕双阶段目标检测算法进行分析,在目标检测的特征提取、候选区域建议和分类回归阶段分别提出改进措施,提升算法对尺度变化较大、长宽比例悬殊和遮挡目标的检测精度。本文主要工作如下:(1)针对已有的特征提取网络在特征提取过程中连续下采样造成特征图分辨率过低,导致算法对于小目标检测精度低、漏检等问题,实现了一种名为检测网络-特征金字塔网络 DetNet-FPN(Detection Network-Feature Pyramid Network)的多尺度特征融合网络。该网络在特征图提取网络的前四个阶段和ResNet-50保持一致,即每经过一个阶段特征图进行2倍的下采样,在第五、六阶段,取消特征图的下采样,保持特征图为16倍的下采样不变,以此保证特征图具有较高的分辨率,同时在第五、六阶段,设计了两种瓶颈结构(BottleNeck),在这两个结构中引入空洞卷积替换传统卷积来扩大感受野,使得算法能够保证在特征图拥有较大分辨率的...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 目标检测研究现状
        1.2.1 基于人工特征的目标检测算法
        1.2.2 基于深度学习的目标检测算法
    1.3 目标检测技术研究难点
    1.4 本文主要工作及章节安排
        1.4.1 本文主要工作
        1.4.2 本文章节安排
第2章 相关工作基础
    2.1 卷积神经网络基本理论
        2.1.1 神经元与激活函数
        2.1.2 卷积层
        2.1.3 池化层
        2.1.4 全连接层
    2.2 经典卷积神经网络模型
    2.3 目标检测算法
        2.3.1 基于候选区域的目标检测算法
        2.3.2 基于回归的目标检测算法
    2.4 本章小结
第3章 多尺度特征融合算法
    3.1 引言
    3.2 经典多层特征融合策略
    3.3 DetNet-FPN特征融合网络
    3.4 实验评估
    3.5 本章小结
第4章 自适应锚框生成网络
    4.1 候选区域生成网络
    4.2 自适应锚框生成网络
        4.2.1 锚框位置预测
        4.2.2 锚框形状预测
    4.3 基于锚框形状的特征自适应模块
    4.4 多任务损失函数
    4.5 候选区域筛选策略
    4.6 本章小结
第5章 实验结果与分析
    5.1 实验设置
        5.1.1 实验环境和参数
        5.1.2 实验数据集
        5.1.3 评价指标
    5.2 消融实验
    5.3 实验结果与分析
    5.4 算法泛化性能分析
    5.5 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
致谢
攻读学位期间的研究成果



本文编号：4035905