基于中心关键点的目标检测算法研究

发布时间：2021-12-24 02:10

　　目标检测作为计算机视觉技术的一个重要分支和基础,在视频监控、无人驾驶和人机交互等方面具有重要的应用价值和研究意义。随着深度学习原理的不断发展,基于该原理的目标检测技术逐渐引起人们的热切关注。然而目前在目标检测技术中通常使用候选框对目标区域进行筛选,这种方法造成了候选框的冗余进而导致网络计算复杂度增加。为了解决这个问题,本文在综合目标检测国内外相关文献基础上,针对基于关键点的目标检测算法进行了深入研究。本文的主要研究内容如下:(1)针对基于关键点的目标检测方法进行了分析。由于传统目标检测器已无法满足人们对检测精度的要求,本文将基于关键点的人体姿态估计算法引入到目标检测中,消除了以往目标检测工作中大量使用锚框的弊端。(2)研究了沙漏网络模型的结构,认为其在推理阶段消耗了大量时间,从而导致网络在检测时无法达到实时性。本文提出了一种新型的精简沙漏网络(Refine Hourglass Network)结构,为了达到减少网络的参数计算量通过改变原沙漏网络的结构,引进了火灾模块(Fire Module)。通过在实验中对比增加模块对效率的影响,结果表明精简沙漏网络的检测效率明显提升。(3)为了更进一...

【文章来源】： 燕山大学河北省

【文章页数】：62 页

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 目标检测的研究及发展现状
        1.2.1 基于手工特征的目标检测
        1.2.2 基于深度学习的目标检测
        1.2.3 基于关键点的目标检测
    1.3 本文主要研究内容
第2章 目标检测相关基础和评价指标
    2.1 引言
    2.2 卷积神经网络
    2.3 网络训练的优化方法
    2.4 目标检测常用数据库
    2.5 目标检测评价指标
    2.6 本章小结
第3章 基于中心关键点的目标检测
    3.1 引言
    3.2 沙漏网络
    3.3 基于沙漏网络的关键点网络
    3.4 精简沙漏网络结构原理
        3.4.1 动机分析
        3.4.2 火灾模块
        3.4.3 深度可分离卷积
        3.4.4 精简沙漏网络结构
    3.5 精简沙漏网络检测原理
        3.5.1 中心关键点检测
        3.5.2 目标中心的偏移损失
        3.5.3 边界框的偏移损失
        3.5.4 生成目标检测框
    3.6 本章小结
第4章 基于中心关键点的目标检测实验
    4.1 引言
    4.2 实验运行环境
    4.3 本实验数据
    4.4 算法实现
    4.5 结果对比与分析
        4.5.1 实验结果
        4.5.2 精简沙漏网络性能分析
        4.5.3 精简沙漏网络和沙漏网络对比
        4.5.4 与其它先进算法对比
    4.6 实验参数分析
    4.7 本章小结
结论
参考文献
攻读硕士学位期间主要成果
致谢


【参考文献】：
期刊论文
[1]基于深度学习的目标检测技术的研究综述 [J]. 罗元,王薄宇,陈旭.  半导体光电. 2020(01)
[2]基于卷积神经网络的目标检测模型综述 [J]. 许必宵,宫婧,孙知信.  计算机技术与发展. 2019(12)
[3]以断面控制为核心的电网调度运行控制体系及系统开发 [J]. 甘德树,林桂辉,吴海雄,彭健,张勇,廖兵兵,黄银才,郑全朝,张楠.  电力系统保护与控制. 2017(22)

硕士论文
[1]基于深度学习的视觉目标检测与识别关键技术及应用[D]. 张开军.南京大学. 2019
[2]基于SSD-Hourglass的多人姿态检测算法及其优化[D]. 黄铎.杭州电子科技大学. 2019



本文编号：3549623