基于深度学习的边海防典型目标检测方法

发布时间：2021-02-17 09:18

　　我国国土面积庞大,有着极长的边境线和海岸线。边境防卫承担着保家卫国的重要使命。目前,我国边海防地区部署了大量的摄像头等视频采集设备,基本采用边海防战士人工处理上报方式对采集的视频进行处理,效率极其低下,不能满足边海防御要求。利用计算机视觉的传统目标检测方法处理视频数据,过于依赖先验知识,当目标存在形变、环境光照等变化时,方法的鲁棒性不高,不符合边境防卫精确检测目标的要求。当前随着大数据、云计算和人工智能技术的发展,尤其是以深度学习算法为基础的自动目标检测与识别技术的进步,使得利用深度学习方法来对边海防图像中的目标进行检测成为了可能。本文开展了基于深度学习的边海防图像目标检测方法研究,主要完成工作如下:（1）首先对基于深度学习的目标检测及其相关技术理论进行了综述,并系统的介绍了基于候选区域的目标检测框架Faster RCNN。（2）提出了一种改进的基于候选区域（region-based）的深度学习目标检测方法。首先,通过对原有的分类结构添加SE（Squeeze-and-Excitation）模块来提高卷积通道之间的相关性,使用可变形卷积替代原有特征提取结构特有卷积层中的卷积模块,提高目标... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

卷积神经网络结构

输出特征图N种滤波器图2.2 卷积操作示意图卷积层的参数由一组可学习的滤波器组成，每个滤波器占据很小的空间，每一种滤波器都可以学习一类特征，这些滤波器对给定的输入量会提取相应的视觉特征，比如在第一层或低层中，滤波器会得到某个方向的边缘特征，或者某个颜色的特征，而在网络的高层中，滤波器会学习到更具体的语义信息。在每个卷积层中都有一组完整的滤波器，每个滤波器将生成一个独立的二维映射特征图，通

原始特征图池化特征图图2.3 池化操作示意图（2）全连接层CNN 的最后几层结构一般是全连接层，在整个 CNN 网络中起到分类器的作用[36]，其结构如图 2.4 所示。如果说卷积、池化和激活函数等操作的作用是将原始输入数据映射到隐层特征空间的话，那么全连接层则起到将学习到的特征映射到样本标记空间的作用。 l l l 1lX W X b (2.5)其中， x 表示激活函数，l1X 表示上一层输入，lb 表示对应的偏置。....池化特征图全连接层........全连接层图2.4 全连接层

【参考文献】：
期刊论文
[1]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛.  计算机应用研究. 2017(10)
[2]基于卷积神经网络的军事图像分类[J]. 高惠琳.  计算机应用研究. 2017(11)
[3]基于深度卷积神经网络的行人检测[J]. 芮挺,费建超,周遊,方虎生,朱经纬.  计算机工程与应用. 2016(13)
[4]深度学习研究进展[J]. 郭丽丽,丁世飞.  计算机科学. 2015(05)
[5]基于级联卷积网络的自然场景下的车牌检测[J]. 闫鹏,牛常勇,范明.  计算机工程与设计. 2014(12)
[6]基于卷积神经网络的植物叶片分类[J]. 龚丁禧,曹长荣.  计算机与现代化. 2014(04)
[7]从产品和系统谈边防监控的实现[J]. 范春阳.  中国公共安全(市场版). 2007(09)
[8]人类视觉注意机制在目标检测中的应用[J]. 桑农,李正龙,张天序.  红外与激光工程. 2004(01)

博士论文
[1]基于深层结构的图像内容分析及其应用[D]. 杨奎元.中国科学技术大学 2012

硕士论文
[1]基于卷积神经网络的监控视频车型识别系统设计与实现[D]. 曾俊东.西南交通大学 2017
[2]智能交通系统中行人检测算法的研究[D]. 张义德.哈尔滨理工大学 2017
[3]基于卷积神经网络的电商图片物体识别[D]. 孙俊.电子科技大学 2016
[4]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[5]基于卷积神经网络的物体识别研究与实现[D]. 杨眷玉.电子科技大学 2016
[6]车载辅助系统中禁令交通标志的识别研究[D]. 余进程.广东工业大学 2014
[7]卷积神经网络的并行化研究[D]. 凡保磊.郑州大学 2013
[8]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
[9]车牌识别与车辆排队长度的研究[D]. 朱孝山.山西大学 2011
[10]反卷积网络图像表述与复原[D]. 陈扬钛.国防科学技术大学 2011



本文编号：3037774