树叉型卷积神经网络在动态人数检测上的研究
发布时间：2021-07-28 06:00
随着互联网技术的不断发展以及人们生活水平的不断提升,对互联网的应用也越来越广,要求也越来越高,从最初的查阅资料到渗透到生活中衣食住行等各个方面,例如,应用到人脸识别、智能驾驶、目标检测以及目标追踪等领域。在应用的同时对其性能的要求也越来越高,不仅要具有较高的准确性,还需要及时性等。而提高准确性的同时往往会带来计算量的陡增,这就必然对计算机硬件等要求更高,而且还易导致其延时,降低及时性。计算机硬件已经有了质的飞跃,5G时代的到来无疑是人工智能发展的一个窗口期。而深度学习作为人工智能的一个重要分支,其重要性不言而喻,卷积神经网络（Convolutional Neural Network）作x为深度学习领域的杰出代表,更是受到相关研究者的追捧。本文就是从卷积神经网络的原理出发进行研究,通过设计改进卷积神经网络结构,提高其网络的准确率,并且尽量降低网络参数,使其更具实用性。利用图像分类识别对其进行性能检验,在此基础上对目标检测进行研究并改进。本文最终将其应用于动态人数检测。本文主要研究内容包括以下四个方面:（1）通过设计树叉型卷积神经网络,利用多卷积核进行交叉卷积,采用split-transf...
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
目标检测变迁图
广西师范大学2020届硕士研究生毕业学位论文6第2章卷积神经网络及目标检测理论基础2.1卷积神经网络卷积神经网络主要应用于计算机视觉领域，其属于人工智能的一个分支。计算机视觉就是告诉计算机如何理解图像，比如目前的人脸识别[56]、自动驾驶以及美图秀秀等。同时还可以处理音频以及文本等消息，只要数据能够转化为图像格式均能将其进行处理。卷积神经网络其实就是一个函数，有输入输出，其输入就是一个二维的像素阵列，也就是图片；输出就是图片内容是什么。如图2-1所示，图片中是一个X，经过卷积神经网络，其输出就是X；图片中是一个O，经过卷积神经网络，其输出就是O。哪怕图片经过平移、缩放、旋转、局部加厚或者整体加厚，依旧不会误导计算机，其鲁棒性和抗干扰性较强。对于人眼来说，一眼就能看出图2-1是X，但对于计算机来说，只能看到其像素的列阵，比如在灰度图中就表示为1或-1，1表示亮的，-1表示暗的。对于计算机来说，如何对数据进行提取至关重要，所以这也是卷积神经网络需要解决的问题。图2-1卷积神经网络流程图如图2-2所示，虽然图像经过了旋转，但其依旧保留了原有图像的某些特征。例如图2-2中，原图左上角黄色方框中的对角线旋转后依旧存在，中间红色方框中的X旋转后依旧存在，左下角蓝色方框中的斜对角线旋转后也依旧存在。那么就可以通过识别出这些特征，这些扭转、扭曲后的图片对应于原图的新特征，从而发现其与原图的相似性。如图2-2中的这三个特征，将其提取出来作为卷积核，经过卷积神经网络左上角的卷积核对原图进行卷积操作，这就相当于将原图中包含左上角卷积核中的这种特征提取出来。
广西师范大学2020届硕士研究生毕业学位论文7图2-2图像旋转卷积神经网络中卷积核的数量以及卷积核的大小均由网络结构设计而成，如图2-5中，卷积核的大小为3*3，其大小即为人为设定。但卷积核中的参数非人为设定，其参数首先进行随机初始化，然后通过卷积神经网络训练不断地对其进行更新，从而最终获得卷积核中比较需要的特征。图2-3卷积神经网络训练过程卷积神经网络的训练过程如图2-3所示，其卷积神经网络的训练步骤如下：
【参考文献】：
期刊论文
[1]基于特征金字塔网络的目标检测算法[J]. 施泽浩. 现代计算机(专业版). 2018(03)
[2]改进的深度卷积网络在交通标志识别中的应用[J]. 杨远飞,曾上游,甘晓楠,冯燕燕,周悦. 电视技术. 2017(Z4)
[3]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)
[4]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[5]基于卷积定理的人脸验证CNN模型加速[J]. 刘波,郭申. 北京工业大学学报. 2017(11)
[6]基于稀疏卷积核的卷积神经网络研究及其应用[J]. 叶会娟,刘向阳. 信息技术. 2017(10)
[7]视觉目标跟踪现状与发展[J]. 蓝龙,张翔,骆志刚. 国防科技. 2017(05)
[8]基于深度学习算法的图像集识别[J]. 张玉冰,于威威. 现代计算机(专业版). 2017(21)
[9]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)
[10]基于运动区域Viola-Jones算法的视频人脸检测[J]. 彭明莎,刘翠响. 电子设计工程. 2015(21)
硕士论文
[1]轻量化卷积神经网络研究与应用[D]. 周悦.广西师范大学 2019
[2]基于深度学习的超市商品图像识别方法研究[D]. 胡正委.中国科学技术大学 2018
[3]人工智能对人的主体性影响研究[D]. 李能.贵州师范大学 2017
[4]基于卷积神经网络的图像超分辨率重建[D]. 杨莉.郑州大学 2017
[5]视频监控场景中人数统计方法的研究与应用[D]. 刘鹏飞.电子科技大学 2017
[6]基于卷积神经网络的图像识别算法研究[D]. 张荣磊.山东理工大学 2017
[7]目标快速检测算法的研究[D]. 朱倩.电子科技大学 2017
本文编号：3307369
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
目标检测变迁图
广西师范大学2020届硕士研究生毕业学位论文6第2章卷积神经网络及目标检测理论基础2.1卷积神经网络卷积神经网络主要应用于计算机视觉领域，其属于人工智能的一个分支。计算机视觉就是告诉计算机如何理解图像，比如目前的人脸识别[56]、自动驾驶以及美图秀秀等。同时还可以处理音频以及文本等消息，只要数据能够转化为图像格式均能将其进行处理。卷积神经网络其实就是一个函数，有输入输出，其输入就是一个二维的像素阵列，也就是图片；输出就是图片内容是什么。如图2-1所示，图片中是一个X，经过卷积神经网络，其输出就是X；图片中是一个O，经过卷积神经网络，其输出就是O。哪怕图片经过平移、缩放、旋转、局部加厚或者整体加厚，依旧不会误导计算机，其鲁棒性和抗干扰性较强。对于人眼来说，一眼就能看出图2-1是X，但对于计算机来说，只能看到其像素的列阵，比如在灰度图中就表示为1或-1，1表示亮的，-1表示暗的。对于计算机来说，如何对数据进行提取至关重要，所以这也是卷积神经网络需要解决的问题。图2-1卷积神经网络流程图如图2-2所示，虽然图像经过了旋转，但其依旧保留了原有图像的某些特征。例如图2-2中，原图左上角黄色方框中的对角线旋转后依旧存在，中间红色方框中的X旋转后依旧存在，左下角蓝色方框中的斜对角线旋转后也依旧存在。那么就可以通过识别出这些特征，这些扭转、扭曲后的图片对应于原图的新特征，从而发现其与原图的相似性。如图2-2中的这三个特征，将其提取出来作为卷积核，经过卷积神经网络左上角的卷积核对原图进行卷积操作，这就相当于将原图中包含左上角卷积核中的这种特征提取出来。
广西师范大学2020届硕士研究生毕业学位论文7图2-2图像旋转卷积神经网络中卷积核的数量以及卷积核的大小均由网络结构设计而成，如图2-5中，卷积核的大小为3*3，其大小即为人为设定。但卷积核中的参数非人为设定，其参数首先进行随机初始化，然后通过卷积神经网络训练不断地对其进行更新，从而最终获得卷积核中比较需要的特征。图2-3卷积神经网络训练过程卷积神经网络的训练过程如图2-3所示，其卷积神经网络的训练步骤如下：
【参考文献】：
期刊论文
[1]基于特征金字塔网络的目标检测算法[J]. 施泽浩. 现代计算机(专业版). 2018(03)
[2]改进的深度卷积网络在交通标志识别中的应用[J]. 杨远飞,曾上游,甘晓楠,冯燕燕,周悦. 电视技术. 2017(Z4)
[3]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)
[4]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[5]基于卷积定理的人脸验证CNN模型加速[J]. 刘波,郭申. 北京工业大学学报. 2017(11)
[6]基于稀疏卷积核的卷积神经网络研究及其应用[J]. 叶会娟,刘向阳. 信息技术. 2017(10)
[7]视觉目标跟踪现状与发展[J]. 蓝龙,张翔,骆志刚. 国防科技. 2017(05)
[8]基于深度学习算法的图像集识别[J]. 张玉冰,于威威. 现代计算机(专业版). 2017(21)
[9]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)
[10]基于运动区域Viola-Jones算法的视频人脸检测[J]. 彭明莎,刘翠响. 电子设计工程. 2015(21)
硕士论文
[1]轻量化卷积神经网络研究与应用[D]. 周悦.广西师范大学 2019
[2]基于深度学习的超市商品图像识别方法研究[D]. 胡正委.中国科学技术大学 2018
[3]人工智能对人的主体性影响研究[D]. 李能.贵州师范大学 2017
[4]基于卷积神经网络的图像超分辨率重建[D]. 杨莉.郑州大学 2017
[5]视频监控场景中人数统计方法的研究与应用[D]. 刘鹏飞.电子科技大学 2017
[6]基于卷积神经网络的图像识别算法研究[D]. 张荣磊.山东理工大学 2017
[7]目标快速检测算法的研究[D]. 朱倩.电子科技大学 2017
本文编号：3307369
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3307369.html
