基于特征金字塔网络的目标检测算法研究

发布时间：2020-12-07 00:45

　　目标检测算法的任务是检测出场景中物体的类别以及对物体进行定位,近年来基于深度卷积神经网络的目标检测算法取得了良好的检测效果,可以适用多种场景。但是目前算法也存在着诸多缺点,例如在密集和相互遮挡的情况下,目标检测效果不理想、目标存在误检漏检现象。针对这些缺点,本文基于FPN算法提出两种改进方案,主要工作和研究内容如下:(1)针对在复杂场景中网络对目标提取特征信息不充分的问题,使用Inception结构并结合语义分割模型中的编解码结构,提出在算法中使用多分支特征网络对图像提取局部特征信息。针对正负样本数目不平衡和难易样本数目不平衡对检测效果的影响,采用focal loss替换FPN算法中的分类损失函数。同时针对经常出现的目标重叠情况,提出在损失函数中加入遮挡损失来使目标预测框和其对应的真实框更可能接近,并远离其他的目标预测框。最后通过实验证明改进算法可以提升目标的检测准确率,并且提高了复杂背景下的目标检测性能。(2)本文提出了多尺度特征融合的目标检测网络。首先,针对残差网络高层特征图分辨率小的局限性,提出联合扩张卷积——残差网络来增大高层特征图的感受野。为了结合浅层网络的位置信息和深层网络... 

【文章来源】：燕山大学河北省

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外的研究现状及分析
        1.2.1 传统的目标检测算法
        1.2.2 基于卷积神经网络的目标检测算法
    1.3 论文研究内容
    1.4 论文组织结构
第2章 目标检测算法基础
    2.1 神经网络
        2.1.1 神经元模型
        2.1.2 神经网络模型
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
    2.3 基于候选区域的目标检测算法
        2.3.1 R-CNN算法
        2.3.2 SPP-Net算法
        2.3.3 Fast R-CNN算法
        2.3.4 Faster R-CNN算法
        2.3.5 FPN算法
    2.4 基于回归的目标检测算法
        2.4.1 YOLO算法
        2.4.2 SSD算法
    2.5 目标检测数据集和评价标准
        2.5.1 数据集
        2.5.2 评价标准
    2.6 本章小结
第3章 基于多分支特征网络的目标检测算法研究
    3.1 多分支特征网络
        3.1.1 Inception模块
        3.1.2 语义分割模型
        3.1.3 Scale Net网络
    3.2 损失函数
        3.2.1 FPN算法损失函数
        3.2.2 focal loss损失函数
        3.2.3 遮挡损失函数
    3.3 实验结果与分析
        3.3.1 实验环境
        3.3.2 参数设置
        3.3.3 结果对比分析
    3.4 本章小结
第4章 多尺度特征融合的目标检测网络研究
    4.1 优化残差网络
        4.1.1 残差网络
        4.1.2 扩张卷积
        4.1.3 联合扩张卷积——残差网络
    4.2 特征金字塔网络
        4.2.1 金字塔池化网络
        4.2.2 多尺度RPN网络
    4.3 实验结果与分析
        4.3.1 实验环境
        4.3.2 参数设置
        4.3.3 结果对比分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：2902301