带注意力机制的车辆目标检测与识别

发布时间：2021-02-06 01:12

　　随着现代科技的高速发展,智能化与数字化的车辆检测技术受到了前所未有的关注。近十年,基于深度学习的图像目标检测算法取得了突破性进展。在复杂场景下,具有良好的鲁棒性。本文设计一套辅助无人驾驶的车辆目标检测系统,以对高速行驶中的车辆进行准确、高效、自动化的目标检测跟踪。本文对目标检测算法进行研究,选用了在检测精度方面表现较好的基于深度学习的Faster R-CNN（Faster Region-based Convolutional Neural Networks）模型作为基础,引入多尺度和注意力机制对其改进,并进行了试验验证。本文主要研究内容及改进如下:1、对复杂场景的车辆数据集进行了收集扩充,并使用数据增强及人为干预做数据增广。实验了不同的车辆检测模型算法,并对其算法原理进行了比较分析。考虑到不同算法适应的数据集有差异,故对国内外数据集以及数据扩充后的数据集进行合并训练,最后对算法模型的实时检测效果进行对比。2、引入注意力机制和多尺度,从而使算法适用于更复杂的场景。对模型进行多尺度特征提取,而后将图像特征信息融合进行推理预测,以此提高模型检测时的抗干扰能力。考虑到时间信息等语义特征,模型加... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景与意义
    1.2 国内外相关技术概述
    1.3 本文主要研究内容
    1.4 创新与不足
    1.5 结构安排
第二章 基于卷积神经网络的车辆识别算法
    2.1 卷积神经网络基础
    2.2 CNN图像分类模型
    2.3 CNN目标检测算法模型
    2.4 卷积神经网络训练
    2.5 本章小结
第三章 注意力模型机制
    3.1 深度学习中的Attention机制
    3.2 空间注意力机制
    3.3 本章小结
第四章 基于注意力机制的多尺度目标检测网络
    4.1 常用深度学习目标检测算法
    4.2 连接模块设计
    4.3 目标检测网络
    4.4 实验结果与分析
    4.5 小结
第五章 总结与展望
    5.1 全文总结
    5.2 后续工作展望
参考文献
致谢



本文编号：3019895