目標檢測是計算機視覺系統(tǒng)中最為關鍵的基礎技術之一。對于現(xiàn)實世界中的許多人工智能系統(tǒng)而言,精準的目標定位是必不可少的,譬如目標追蹤、識別和對齊等。目前,得益于卷積神經網絡強大的特征提取能力,目標檢測算法取得了突破性的進展。然而在某些對算法時間和空間復雜度要求較高的應用中,如無人機導航、安防領域和自動駕駛等,現(xiàn)有的實時目標檢測算法在檢測性能方面無法達到令人滿意的效果。因此如何提高實時目標檢測網絡的準確率獲得了廣泛的關注。而現(xiàn)有對實時目標檢測算法的改進工作大多是以犧牲時間和空間復雜度為代價,來換取準確率的提升。針對這一不足,本文以當前最先進的實時目標檢測網絡SSD為基礎,設計了兩種特征增強方法,分別從空間和通道的角度來提升卷積神經網絡特征的判別性,在增加較少時間復雜度情況下,有效提升了SSD網絡的檢測準確率,并且減少了一定的空間復雜度。本文主要工作包含以下兩方面:首先,針對目標特征提取過程中受周圍背景或者無關目標干擾的問題,本文以SSD網絡為基礎提出了一種空間特征增強網絡。這一網絡借鑒人類視覺注意力機制,提出了一種輕量型的空間注意力模塊,旨在以較小的代價使網絡關注于檢測場景中關鍵區(qū)域。該模塊... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 研究現(xiàn)狀
        1.2.2 技術難點
    1.3 論文組織架構
第二章 基于深度學習的目標檢測
    2.1 經典目標檢測網絡
        2.1.1 Faster RCNN
        2.1.2 SSD(Single Shot Multibox Detector )
    2.2 基于特征增強的實時目標檢測網絡
        2.2.1 注意力機制
        2.2.2 特征融合
    2.3 目標檢測常用數據集及評測指標
        2.3.1 Pascal VOC數據集
        2.3.2 MS COCO數據集
        2.3.3 評測指標
    2.4 本章小結
第三章 基于空間特征增強的SSD目標檢測網絡
    3.1 SSD網絡的多尺度特征分析
        3.1.1 反卷積可視化
        3.1.2 特征圖可視化
    3.2 基于輕型空間注意力機制的空間特征增強方法
        3.2.1 空間特征增強網絡
        3.2.2 LSAM模塊分析
    3.3 基于空間特征增強的目標檢測實驗
        3.3.1 實驗環(huán)境及數據集
        3.3.2 模型訓練
        3.3.3 實驗結果及分析
        3.3.4 實例分析
    3.4 本章小結
第四章 基于通道特征增強的SSD目標檢測網絡
    4.1 SSD網絡的通道特征冗余分析
    4.2 基于特征冗余的通道特征增強方法
        4.2.1 SSD通道特征增強網絡
        4.2.2 CEM模塊分析
    4.3 基于通道特征增強的目標檢測實驗
        4.3.1 訓練過程
        4.3.2 實驗結果及分析
    4.4 特征增強方法的融合實驗
        4.4.1 模型訓練
        4.4.2 實驗結果及分析
    4.5 本章小結
第五章 總結與展望
    5.1 工作總結
    5.2 工作展望
參考文獻
致謝
作者簡介



本文編號：3262103