基于特征金字塔结构的目标检测算法研究

发布时间：2023-09-24 16:54

　　目标检测作为当下计算机视觉领域的研究热点,也是计算机视觉领域中最重要最具挑战性的基础任务之一,其在自动驾驶、安防监控、缺陷检测等领域发挥着重要作用。近年来通过大量学者的理论研究,目标检测领域有着长足的进步。但在对小目标物体的检测、网络对尺度变化的适应性和网络对特征的表达能力上还有一定的提升空间。针对上述问题,本文通过分析基于特征金字塔结构的双阶段目标检测算法的基本原理,在特征提取网络结构和特征融合结构上进行改进,提出一种对目标尺度、场景变化和边界形变具有强鲁棒性的可变多尺度特征感知网络Deformable Multiscale Feature Perception Network(DMFPN)。其中主要工作内容如下:(1)可变多尺度特征感知网络。针对小目标问题和目标检测任务的基本要求,为后续检测任务提供更高分辨率的特征图,本文在ResNet50网络基础上进行改进,骨干网络底层增加通道加空间注意力机制,网络深层改进残差瓶颈模块结构并减少整个网络的池化次数,增强细节信息并保证检测任务在较高分辨率特征图上进行。设计了一种可以提取并融合多尺度特征的可变多尺度特征融合模块,对参加构建特征金字塔结...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于人工特征的传统目标检测算法
        1.2.2 基于深度学习方法的目标检测算法
    1.3 论文研究内容及章节安排
第2章 基于深度学习的目标检测算法理论基础
    2.1 引言
    2.2 人工神经网络
        2.2.1 人工神经元
        2.2.2 多层感知机
    2.3 卷积神经网络
        2.3.1 卷积层
        2.3.2 池化层
        2.3.3 归一化层
        2.3.4 非线性映射层
        2.3.5 全连接层
    2.4 残差网络
    2.5 快速区域卷积神经网络
    2.6 本章小结
第3章 引入细化多尺度深度特征的目标检测算法
    3.1 特征金字塔结构
    3.2 基于残差网络的FPN算法结构
    3.3 可变多尺度特征感知网络算法框架
    3.4 特征提取网络
    3.5 通道加空间压缩激励模块
        3.5.1 通道压缩激励模块
        3.5.2 空间压缩激励模块
    3.6 可变多尺度特征融合模块
        3.6.1 偏移采样模块
        3.6.2 特征融合模块
    3.7 本章小结
第4章 基于双向特征金字塔结构的DMFPN算法
    4.1 双向特征金字塔结构
    4.2 注意力上采样模块
    4.3 BN-IN联合归一化
        4.3.1 批归一化
        4.3.2 实例归一化
        4.3.3 结合BN-IN联合归一化的残差瓶颈模块
    4.4 损失函数
    4.5 非极大值抑制
    4.6 本章小结
第5章 实验与结果分析
    5.1 数据集介绍
    5.2 评价标准
    5.3 实验细节说明
    5.4 实验结果与分析
        5.4.1 训练损失及精度曲线对比
        5.4.2 客观评价指标对比
    5.5 主观评价方法
    5.6 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3848388