在智能化需求日趨迫切的今天,目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺(jué)的一個(gè)基礎(chǔ)性任務(wù)受到了尤為廣泛的關(guān)注。對(duì)圖像中的感興趣目標(biāo)進(jìn)行精準(zhǔn)的分類(lèi)和定位為無(wú)人駕駛,無(wú)人零售等場(chǎng)景提供了重要的技術(shù)支撐,同時(shí)目標(biāo)檢測(cè)也為視頻理解提供了重要的研究基礎(chǔ)。作為一個(gè)多任務(wù)的學(xué)習(xí)過(guò)程,目標(biāo)檢測(cè)相較于分類(lèi)網(wǎng)絡(luò)通常需要更好的特征,卷積神經(jīng)網(wǎng)絡(luò)也在這方面發(fā)揮著巨大的優(yōu)勢(shì),促成包括目標(biāo)檢測(cè)在內(nèi)的計(jì)算機(jī)視覺(jué)領(lǐng)域高度發(fā)展。本文基于此做出的工作如下:1.結(jié)合目標(biāo)檢測(cè)的研究背景、意義和國(guó)內(nèi)外發(fā)展現(xiàn)狀,對(duì)傳統(tǒng)經(jīng)典目標(biāo)檢測(cè)算法做出的概述,并對(duì)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法進(jìn)行分類(lèi)和總結(jié)。通過(guò)詳細(xì)介紹了卷積神經(jīng)網(wǎng)絡(luò)和目標(biāo)檢測(cè)的發(fā)展歷程和相關(guān)理論知識(shí),進(jìn)一步深入討論了單階段和二階段兩類(lèi)深度學(xué)習(xí)目標(biāo)檢測(cè)算法,并對(duì)比分析了它們的應(yīng)用和發(fā)展趨勢(shì)。2.基于多尺度特征對(duì)不同大小比例目標(biāo)進(jìn)行預(yù)測(cè)的檢測(cè)器在性能上已經(jīng)大大超過(guò)了基于單一尺度特征的檢測(cè)器。同時(shí),特征金字塔結(jié)構(gòu)被用來(lái)構(gòu)建所有尺度的高級(jí)語(yǔ)義特征圖,從而進(jìn)一步提高檢測(cè)器的性能。但是,這樣的特征圖沒(méi)有充分考慮到上下文信息對(duì)語(yǔ)義的補(bǔ)充作用。本文在SSD基準(zhǔn)網(wǎng)絡(luò)的基礎(chǔ)上,提出了一種鄰級(jí)特征層的融合方法,并精心設(shè)計(jì)... 

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的目標(biāo)檢測(cè)算法
        1.2.2 深度學(xué)習(xí)的目標(biāo)檢測(cè)算法
    1.3 本文的主要內(nèi)容和結(jié)構(gòu)安排
        1.3.1 本文的主要研究?jī)?nèi)容
        1.3.2 本文的結(jié)構(gòu)安排
第二章 目標(biāo)檢測(cè)算法與神經(jīng)網(wǎng)絡(luò)理論知識(shí)
    2.1 傳統(tǒng)目標(biāo)檢測(cè)算法
        2.1.1 Haar+Adaboost
        2.1.2 HOG+SVM
        2.1.3 可形變部件模型
    2.2 神經(jīng)網(wǎng)絡(luò)理論知識(shí)
        2.2.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 深度學(xué)習(xí)目標(biāo)檢測(cè)
        2.3.1 目標(biāo)檢測(cè)數(shù)據(jù)集
        2.3.2 目標(biāo)檢測(cè)的評(píng)價(jià)指標(biāo)
        2.3.3 Anchor box
        2.3.4 非極大值抑制
        2.3.5 常見(jiàn)的深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)
第三章 基于多尺度融合特征的目標(biāo)檢測(cè)算法
    3.1 引言
    3.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)
        3.2.1 基于單尺度特征的檢測(cè)網(wǎng)絡(luò)
        3.2.2 基于多尺度特征的檢測(cè)網(wǎng)絡(luò)
        3.2.3 基于多尺度融合特征的檢測(cè)網(wǎng)絡(luò)
    3.3 多尺度特征融合方法
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 PASCAL VOC2007
        3.4.2 推理時(shí)間
    3.5 本章小結(jié)
第四章 結(jié)合多尺度特征融合和殘差注意力機(jī)制的目標(biāo)檢測(cè)
    4.1 引言
    4.2 注意力機(jī)制
        4.2.1 空間注意力機(jī)制
        4.2.2 通道注意力
        4.2.3 空間注意力與通道注意力的融合
    4.3 結(jié)合多尺度特征融合和殘差注意力機(jī)制的目標(biāo)檢測(cè)
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 PASCAL VOC2007
        4.4.2 推理速度
        4.4.3 消融實(shí)驗(yàn)
        4.4.4 MS COCO
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]視覺(jué)注意力檢測(cè)技術(shù)研究綜述[J]. 羅元,陳雪峰,毛雪峰,張毅.  半導(dǎo)體光電. 2019(01)
[2]激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中的對(duì)比研究[J]. 田娟,李英祥,李彤巖.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[3]基于深度卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)綜述[J]. 吳帥,徐勇,趙東寧.  模式識(shí)別與人工智能. 2018(04)



本文編號(hào)：3675940