基于深度学习的小目标检测方法研究

发布时间:2021-08-23 18:11
  随着计算机智能化需求的发展,目标检测作为计算机视觉中的重要组成部分也成为了近年来理论和应用的研究热点。由于小目标广泛存在于大视场图片、远距离成像图片、特殊类别目标图片中,因此小目标检测的研究在图像目标智能化定位和识别中具有重大的现实意义。目前,基于深度学习的小目标检测在对具有一定特征的可见光图像检测时相比其他方法精度高、速度快,但网络结构方法仍有较大改进空间。由于小目标分辨率低、信息量少、深层网络对小目标特征表达能力弱,因此小目标检测研究困难重重。针对如上问题,本文主要围绕基于深度学习的小目标检测方法展开研究,着重研究小目标检测的网络结构、小目标检测的训练策略、小目标检测的网络框架、小目标检测的工程应用,主要研究工作分为以下三个部分:1、针对双阶段目标检测器,为解决多尺度下小目标特征提取困难的问题,对Faster R-CNN与Mask R-CNN进行结构上的优化,采用FPN结构对模型进行改进,分别使用Res Net50及Res Ne Xt101作为模型的骨架网络,提高了网络整体的检测精度,并结合交叉训练、学习率热身、学习率动量调节等方法对网络训练方法进行改进。2、针对双阶段目标检测器,... 

【文章来源】:中国科学院大学(中国科学院光电技术研究所)四川省

【文章页数】:71 页

【学位级别】:硕士

【部分图文】:

基于深度学习的小目标检测方法研究


单阶段检测器与双阶段检测器发展时间线

网络结构图,目标检测,检测器,骨架


4目前来看小目标检测研究较为有限,对于卷积核的尺度不变性仍没有较好的解决方案,小目标检测难以和目标检测效果达到一致水平,因此仍需进一步研究。1.3目标检测研究方向目标检测的研究方向广泛,学者们在网络结构、学习策略、候选框生成、特征融合、Loss、目标框设定、激活函数、正则化、训练方法等方面进行了研究改进。无论是单阶段检测器、还是双阶段检测器,其网络结构都可以分为骨架网络、颈部网络、头部网络,其中双阶段检测器往往还包含了RPN结构。双阶段检测器以典型的FasterR-CNN[12]为例,如图1.2所示,能够将结构分为骨架网络、RPN、颈部网络、头部网络。图1.2FasterR-CNN网络结构图Figure1.2StructureofFasterR-CNN单阶段检测器,以YOLOv2[13]为例可分为骨架网络、颈部网络、头部网络,结构如图1.3所示。图1.3YOLOv2网络结构图Figure1.3StructureofYOLOv2目标检测的骨架主要作用是进行特征提取,由于图像识别网络主要在特征提取部分进行研究,且图像识别网络研究超前于目标检测模型研究,因此目标

网络结构图,目标检测,检测器,骨架


4目前来看小目标检测研究较为有限,对于卷积核的尺度不变性仍没有较好的解决方案,小目标检测难以和目标检测效果达到一致水平,因此仍需进一步研究。1.3目标检测研究方向目标检测的研究方向广泛,学者们在网络结构、学习策略、候选框生成、特征融合、Loss、目标框设定、激活函数、正则化、训练方法等方面进行了研究改进。无论是单阶段检测器、还是双阶段检测器,其网络结构都可以分为骨架网络、颈部网络、头部网络,其中双阶段检测器往往还包含了RPN结构。双阶段检测器以典型的FasterR-CNN[12]为例,如图1.2所示,能够将结构分为骨架网络、RPN、颈部网络、头部网络。图1.2FasterR-CNN网络结构图Figure1.2StructureofFasterR-CNN单阶段检测器,以YOLOv2[13]为例可分为骨架网络、颈部网络、头部网络,结构如图1.3所示。图1.3YOLOv2网络结构图Figure1.3StructureofYOLOv2目标检测的骨架主要作用是进行特征提取,由于图像识别网络主要在特征提取部分进行研究,且图像识别网络研究超前于目标检测模型研究,因此目标


本文编号:3358353

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/3358353.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户97bc6***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com