基于改进SSD深度学习网络的目标检测算法研究

发布时间：2021-06-13 16:30

　　目标检测技术是众多计算机视觉任务中的关键技术之一,在交通、安防、军事、医疗等众多领域发挥着重要作用。然而设计精准、快速的深度学习检测模型仍是首要的解决的困难。依赖强大有效的复杂模型势必会引起计算量的激增,导致实时性较差;然而简洁快速的网络结构会使得模型检测准确度的下降。针对上述问题,本文分别从提升检测准确度和检测速度两方面做了以下探究。首先以端到端检测的单次多目标检测器（Single Shot MultiBox Detector,SSD）为基础架构,进行检测准确度的优化。SSD检测模型有着较好的检测实时性,但由于网络结构本身限制使其未能充分利用不同卷积中的特征信息,使得在小目标检测方面鲁棒性不足。基于此,设计了多尺度特征复用（Multi-level Feature Reused,MFR）模块并提出了MFRDet检测模型。MFRDet把不同卷积层联系在一起,采用多尺度输出共同参与最终预测。MFR模块复用了七个不同分辨率特征图中蕴含的信息,均衡了模型的深层卷积网络中高级语义信息和浅层卷积网络中局部信息的分布,实现了较高的检测精度。然后采用深度学习模型压缩的方法,提升MFRDet模型的检测速... 

【文章来源】：燕山大学河北省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

最后一层特征图预测

采用FPN结构预测

SSD 类型多尺度预测

【参考文献】：
期刊论文
[1]采用卷积核金字塔和空洞卷积的单阶段目标检测[J]. 刘涛,汪西莉.  中国图象图形学报. 2020(01)
[2]多尺度特征图融合的目标检测[J]. 姜文涛,张驰,张晟翀,刘万军.  中国图象图形学报. 2019(11)
[3]基于深度学习的智能人群监控系统[J]. 向建,佟建朋,徐阳,陆思翔,刘宏清.  电子世界. 2019(16)
[4]基于深度学习的车牌定位和识别方法[J]. 李祥鹏,闵卫东,韩清,刘瑞康.  计算机辅助设计与图形学学报. 2019(06)
[5]多维特征融合与Adaboost-SVM的车辆识别算法[J]. 崔鹏宇.  控制工程. 2019(03)
[6]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋.  自动化学报. 2019(11)
[7]深度学习在基于单幅图像的物体三维重建中的应用[J]. 陈加,张玉麒,宋鹏,魏艳涛,王煜.  自动化学报. 2019(04)
[8]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强.  中国图象图形学报. 2018(11)
[9]基于深度学习的桥梁裂缝检测算法研究[J]. 李良福,马卫飞,李丽,陆铖.  自动化学报. 2019(09)
[10]基于深度卷积神经网络的目标检测技术的研究进展[J]. 王慧玲,綦小龙,武港山.  计算机科学. 2018(09)



本文编号：3227894