基于深度学习的目标检测与识别算法研究
发布时间：2020-12-11 00:38
道路交通目标的检测与识别是智能交通运输系统的关键环节,能够定位交通中车辆、行人目标的具体位置并输出目标的所属类别,对研究智能化交通有非常重要的意义。传统目标检测识别方法已取得了不错的效果,但是易受到背景和光线明暗变化的影响,存在识别精确度较低等缺点。本文主要研究了基于深度学习的目标检测与识别算法,重点解决了相似型车辆难区分以及图像有效信息利用不足等问题,主要工作如下:（1）针对难以对相似型车辆进行更加精细准确分类的问题,提出一种基于残差网络改进的小型车辆目标检测与识别的算法。算法将原有卷积神经网络的构成模式改为一种基于局部连接和权值共享的残差模式,并优化网络模型以减小复杂度,将图像前层提取到的低层特征和后层提取到的高层特征融合合并计算,应用感兴趣区域池化方法将其统一化成大小相同的特征矩阵,最后经过分类层和回归层得到目标框的置信度以及修正参数。实验表明,改进的模型能够在保证时间效率的前提下增强网络的学习能力,提高检测平均精度,在相似小型车辆的检测问题上取得了良好的检测结果。（2）针对日常道路交通图像中冗余信息过多、有效信息利用不足以及图像中较远、较模糊目标难以精确识别的问题,首先将卷积注...
【文章来源】：西安科技大学陕西省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
Sigmoid激活函数Sigmoid函数的输出始终处于0到1区间，在输入很大的情况下函数值无限接近于
2相关理论与技术15图2.7Tanh激活函数由图可知，Sigmoid和Tanh两个函数图像整体为S性，在对称点附近的函数值变化快于远离对称点的函数值。相比于Sigmoid函数，Tanh的函数值范围更广，由于进行了均值化的操作，函数值始终保持在-1至1的区间。Tanh函数单调递增处处可微，零均值的输出使得它的非线性激活效果更好，改进梯度震荡的问题，但是缺点与Sigmoid相同，反向传播时仍然可能出现梯度消失的问题。早期的人工神经网络主要使用这两种激活函数，然而使用时计算量较大并存在梯度弥散[33]的现象。（3）ReLU激活函数ReLU(RectifiedLinearUnit)激活函数[34]如图2.8所示，其函数表达式为：f(x)=max(0,x)(2.5)图2.8ReLU激活函数当x<0时f(x)=0，当x>0时f(x)=x。ReLU函数相对于前两种激活函数来说，
2相关理论与技术15图2.7Tanh激活函数由图可知，Sigmoid和Tanh两个函数图像整体为S性，在对称点附近的函数值变化快于远离对称点的函数值。相比于Sigmoid函数，Tanh的函数值范围更广，由于进行了均值化的操作，函数值始终保持在-1至1的区间。Tanh函数单调递增处处可微，零均值的输出使得它的非线性激活效果更好，改进梯度震荡的问题，但是缺点与Sigmoid相同，反向传播时仍然可能出现梯度消失的问题。早期的人工神经网络主要使用这两种激活函数，然而使用时计算量较大并存在梯度弥散[33]的现象。（3）ReLU激活函数ReLU(RectifiedLinearUnit)激活函数[34]如图2.8所示，其函数表达式为：f(x)=max(0,x)(2.5)图2.8ReLU激活函数当x<0时f(x)=0，当x>0时f(x)=x。ReLU函数相对于前两种激活函数来说，
【参考文献】：
期刊论文
[1]智能驾驶中点云目标快速检测与跟踪[J]. 叶语同,李必军,付黎明. 武汉大学学报(信息科学版). 2019(01)
[2]基于深度学习的医学目标检测与识别[J]. 杨洁,陈灵娜,陈宇韶,林颖,何啸峰. 信息技术. 2018(10)
[3]改进的Faster RCNN煤矿井下行人检测算法[J]. 李伟山,卫晨,王琳. 计算机工程与应用. 2019(04)
[4]基于Faster R-CNN的食品图像检索和分类[J]. 梅舒欢,闵巍庆,刘林虎,段华,蒋树强. 南京信息工程大学学报(自然科学版). 2017(06)
[5]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[6]基于卷积神经网络的SAR图像目标识别研究.[J]. 田壮壮,占荣辉,胡杰民,张军. 雷达学报. 2016(03)
[7]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[8]智能视频监控系统中运动目标检测的研究[J]. 许亚军,许慧芳,张艳春. 电视技术. 2014(09)
博士论文
[1]智能视频监控中的运动目标检测与跟踪技术研究[D]. 屈鉴铭.西安电子科技大学 2015
硕士论文
[1]基于注意力机制的三维超声影像的多尺度目标识别的研究[D]. 王晓东.西安电子科技大学 2018
[2]基于卷积神经网络与3D几何语义的室内场景理解研究[D]. 张晓明.北京交通大学 2018
[3]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
[4]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
本文编号：2909578
【文章来源】：西安科技大学陕西省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
Sigmoid激活函数Sigmoid函数的输出始终处于0到1区间，在输入很大的情况下函数值无限接近于
2相关理论与技术15图2.7Tanh激活函数由图可知，Sigmoid和Tanh两个函数图像整体为S性，在对称点附近的函数值变化快于远离对称点的函数值。相比于Sigmoid函数，Tanh的函数值范围更广，由于进行了均值化的操作，函数值始终保持在-1至1的区间。Tanh函数单调递增处处可微，零均值的输出使得它的非线性激活效果更好，改进梯度震荡的问题，但是缺点与Sigmoid相同，反向传播时仍然可能出现梯度消失的问题。早期的人工神经网络主要使用这两种激活函数，然而使用时计算量较大并存在梯度弥散[33]的现象。（3）ReLU激活函数ReLU(RectifiedLinearUnit)激活函数[34]如图2.8所示，其函数表达式为：f(x)=max(0,x)(2.5)图2.8ReLU激活函数当x<0时f(x)=0，当x>0时f(x)=x。ReLU函数相对于前两种激活函数来说，
2相关理论与技术15图2.7Tanh激活函数由图可知，Sigmoid和Tanh两个函数图像整体为S性，在对称点附近的函数值变化快于远离对称点的函数值。相比于Sigmoid函数，Tanh的函数值范围更广，由于进行了均值化的操作，函数值始终保持在-1至1的区间。Tanh函数单调递增处处可微，零均值的输出使得它的非线性激活效果更好，改进梯度震荡的问题，但是缺点与Sigmoid相同，反向传播时仍然可能出现梯度消失的问题。早期的人工神经网络主要使用这两种激活函数，然而使用时计算量较大并存在梯度弥散[33]的现象。（3）ReLU激活函数ReLU(RectifiedLinearUnit)激活函数[34]如图2.8所示，其函数表达式为：f(x)=max(0,x)(2.5)图2.8ReLU激活函数当x<0时f(x)=0，当x>0时f(x)=x。ReLU函数相对于前两种激活函数来说，
【参考文献】：
期刊论文
[1]智能驾驶中点云目标快速检测与跟踪[J]. 叶语同,李必军,付黎明. 武汉大学学报(信息科学版). 2019(01)
[2]基于深度学习的医学目标检测与识别[J]. 杨洁,陈灵娜,陈宇韶,林颖,何啸峰. 信息技术. 2018(10)
[3]改进的Faster RCNN煤矿井下行人检测算法[J]. 李伟山,卫晨,王琳. 计算机工程与应用. 2019(04)
[4]基于Faster R-CNN的食品图像检索和分类[J]. 梅舒欢,闵巍庆,刘林虎,段华,蒋树强. 南京信息工程大学学报(自然科学版). 2017(06)
[5]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[6]基于卷积神经网络的SAR图像目标识别研究.[J]. 田壮壮,占荣辉,胡杰民,张军. 雷达学报. 2016(03)
[7]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[8]智能视频监控系统中运动目标检测的研究[J]. 许亚军,许慧芳,张艳春. 电视技术. 2014(09)
博士论文
[1]智能视频监控中的运动目标检测与跟踪技术研究[D]. 屈鉴铭.西安电子科技大学 2015
硕士论文
[1]基于注意力机制的三维超声影像的多尺度目标识别的研究[D]. 王晓东.西安电子科技大学 2018
[2]基于卷积神经网络与3D几何语义的室内场景理解研究[D]. 张晓明.北京交通大学 2018
[3]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
[4]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
本文编号：2909578
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2909578.html
