用于图像分类和目标检测的混合空洞卷积神经网络研究
发布时间:2023-03-05 21:22
在计算机视觉以及模式识别领域,卷积神经网络是一种广泛使用的技术,近年来,随着深度学习理论的发展,传统卷积神经网络因其较低的性能及过大的计算资源消耗,已不能满足日益增长的需求,因此,需要研究新的方法来提高图像分类与目标检测的效率。本文研究了用于图像分类的空洞卷积模型及HDC模型,并提出了用于图像目标检测的HDF-RCNN模型。具体工作如下:1)研究了卷积神经网络与目标检测的相关基础,分析了空洞卷积的原理与结构,搭建了空洞卷积模型,在Mnist手写数字识别数据集上验证了空洞卷积模型在提取图像特征上的良好性能。实验结果表明,空洞卷积模型的训练耗时比传统卷积神经网络平均降低了11.31%,训练精度提升0.5%,但是,它的测试精度降低了0.18%。2)分析了空洞卷积模型中存在的不足,设计搭建了HDC模型,通过堆叠不同尺寸的空洞卷积核来构成一个完整的,没有空洞存在的卷积核。在宽波段遥感图像数据集上测试了HDC模型以及与之结构相同的传统卷积神经网络和空洞卷积模型的性能并将其对比,验证了HDC模型的优越性。实验结果证明,HDC模型的训练耗时比空洞卷积模型平均降低了2.02%,训练精度和测试精度分别提升...
【文章页数】:65 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
1 绪论
1.1 课题研究背景及意义
1.2 课题研究现状及发展趋势
1.3 本文研究内容及组织结构
1.3.1 本文研究内容
1.3.2 本文组织结构
2 图像分类与目标检测相关基础
2.1 用于图像分类的卷积神经网络及其优化算法
2.1.1 卷积神经网络结构
2.1.2 反向传播算法与常用激活函数
2.2 常用优化算法分析
2.2.1 反向传播常用优化算法
2.2.2 参数初始化方法
2.2.3 自适应学习率算法
2.3 基于深度学习的图像目标检测方法
2.3.1 two-stage图像目标检测方法
2.3.2 one-stage图像目标检测方法
2.4 本章小结
3 用于图像分类的空洞卷积模型
3.1 空洞卷积模型原理
3.2 空洞卷积模型设计
3.3 空洞卷积模型测试
3.3.1 数据集介绍
3.3.2 模型评估指标
3.3.3 模型测试与实验结果
3.4 本章小结
4 用于图像分类的HDC模型
4.1 HDC模型原理
4.2 HDC模型设计
4.3 HDC模型测试
4.3.1 测试数据集介绍
4.3.2 模型测试与实验结果
4.4 本章小结
5 用于图像目标检测的HDF-RCNN模型
5.1 HDF-RCNN模型原理
5.2 HDF-RCNN模型设计
5.3 HDF-RCNN模型测试
5.3.1 测试数据集介绍
5.3.2 模型测试与实验结果
5.4 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
攻读硕士学位期间的研究成果
本文编号:3756942
【文章页数】:65 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
1 绪论
1.1 课题研究背景及意义
1.2 课题研究现状及发展趋势
1.3 本文研究内容及组织结构
1.3.1 本文研究内容
1.3.2 本文组织结构
2 图像分类与目标检测相关基础
2.1 用于图像分类的卷积神经网络及其优化算法
2.1.1 卷积神经网络结构
2.1.2 反向传播算法与常用激活函数
2.2 常用优化算法分析
2.2.1 反向传播常用优化算法
2.2.2 参数初始化方法
2.2.3 自适应学习率算法
2.3 基于深度学习的图像目标检测方法
2.3.1 two-stage图像目标检测方法
2.3.2 one-stage图像目标检测方法
2.4 本章小结
3 用于图像分类的空洞卷积模型
3.1 空洞卷积模型原理
3.2 空洞卷积模型设计
3.3 空洞卷积模型测试
3.3.1 数据集介绍
3.3.2 模型评估指标
3.3.3 模型测试与实验结果
3.4 本章小结
4 用于图像分类的HDC模型
4.1 HDC模型原理
4.2 HDC模型设计
4.3 HDC模型测试
4.3.1 测试数据集介绍
4.3.2 模型测试与实验结果
4.4 本章小结
5 用于图像目标检测的HDF-RCNN模型
5.1 HDF-RCNN模型原理
5.2 HDF-RCNN模型设计
5.3 HDF-RCNN模型测试
5.3.1 测试数据集介绍
5.3.2 模型测试与实验结果
5.4 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
攻读硕士学位期间的研究成果
本文编号:3756942
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/3756942.html