無人機(jī)航拍下的目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域中的前沿研究課題。相關(guān)技術(shù)可應(yīng)用在農(nóng)業(yè)、建筑、快遞、公共安全等各個領(lǐng)域。傳統(tǒng)的“基于手動特征提取+分類器”的目標(biāo)檢測算法已無法滿足精度要求。近年來深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺的很多領(lǐng)域取得了令人滿意的結(jié)果,但當(dāng)深度學(xué)習(xí)的目標(biāo)檢測方與航拍圖像結(jié)合時,面臨如下的挑戰(zhàn):由于無人機(jī)航拍圖像具有高分辨率、背景復(fù)雜、目標(biāo)分布密集、尺度變化大等特點(diǎn),這些方法的檢測精度有限,本文針對上述這些問題展開研究,主要的工作以及創(chuàng)新點(diǎn)如下:（1）針對類間目標(biāo)差異較小的問題,本文在Faster R-CNN算法基礎(chǔ)之上,通過增加可形變卷積模塊來提升網(wǎng)絡(luò)對于空間信息的建模能力。相比于傳統(tǒng)的卷積方式,可形變卷積模塊能更好的對物體的幾何形變建模,對類間差異較小的目標(biāo)有更好的甄別能力,同時也能提高定位精度。（2）針對無人機(jī)航拍圖像背景復(fù)雜的特點(diǎn),提出一種基于混合注意力機(jī)制的目標(biāo)檢測算法:HAM-Faster-RCNN（Faster R-CNN based on hybrid attention mechanism）。該算法在增加了可形變卷積模塊的Faster R-CNN的基礎(chǔ)上引入混合注意... 

【文章來源】：廈門大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)檢測技術(shù)研究現(xiàn)狀
        1.2.2 無人機(jī)目標(biāo)檢測系統(tǒng)研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本文結(jié)構(gòu)安排
第二章 目標(biāo)檢測相關(guān)技術(shù)綜述
    2.1 傳統(tǒng)的目標(biāo)檢測算法
    2.2 Two-stage的目標(biāo)檢測算法
        2.2.1 R-CNN算法概述
        2.2.2 Fast R-CNN算法概述
        2.2.3 Faster R-CNN算法概述
    2.3 One-stage的目標(biāo)檢測算法
    2.4 注意力機(jī)制
        2.4.1 空間維度的注意力機(jī)制
        2.4.2 通道維度的注意力機(jī)制
    2.5 檢測框的合并策略
        2.5.1 傳統(tǒng)的NMS算法
        2.5.2 Soft-NMS算法
    2.6 公共數(shù)據(jù)集
    2.7 目標(biāo)檢測性能的評價指標(biāo)
    2.8 本章小結(jié)
第三章 改進(jìn)的Faster R-CNN目標(biāo)檢測算法
    3.1 引入動機(jī)
    3.2 卷積方式
        3.2.1 傳統(tǒng)卷積
        3.2.2 空洞卷積
        3.2.3 可形變卷積
    3.3 算法框架
    3.4 實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 基于混合注意力機(jī)制的Faster R-CNN算法
    4.1 引入動機(jī)
    4.2 算法框架
        4.2.1 RPN
        4.2.2 分類與回歸子網(wǎng)絡(luò)
    4.3 實(shí)驗(yàn)
        4.3.1 混合注意力模塊
        4.3.2 HAM-Fas ter-RCNN
    4.4 本章小結(jié)
第五章 目標(biāo)檢測模型融合方法
    5.1 引入動機(jī)
    5.2 算法框架
    5.3 實(shí)驗(yàn)
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)以及實(shí)驗(yàn)參數(shù)
        5.3.2 實(shí)驗(yàn)結(jié)果
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作內(nèi)容
    6.2 未來工作展望
參考文獻(xiàn)
附錄
致謝



本文編號：3180359