目標檢測,即在視頻序列或者圖片中定位出目標的所在位置同時決定其所屬類別,是計算機視覺領域的一個研究熱點,在智能視頻監(jiān)控、無人駕駛技術、計算機輔助診斷技術、人臉識別及人流監(jiān)測等方面都有著重要的應用。然而由于實際場景中目標物體的形變、遮擋、觀察角度和環(huán)境變化等眾多因素的影響,目標檢測仍是一項非常具有挑戰(zhàn)的任務。而如何設計能夠準確識別目標物體又不受各種外界多樣性因素影響的特征也成為了該領域的研究重點。本文提出一種基于超特征金字塔與對抗學習的目標檢測算法,即Adversar-Hyper Feature Pyramid Networks（A-Hyper FPN）。首先在特征提取階段,本文提出超特征金字塔的概念,通過多次融合高低卷積層的信息,以便充分提取來自不同卷積層、不同大小的目標特征;此外提出了改進的區(qū)域候選網(wǎng)絡,該網(wǎng)絡采用合理的策略在低層預測小目標,在高層預測大目標,使得整個區(qū)域候選網(wǎng)絡更佳完善;同時根據(jù)目標檢測容易受到遮擋的影響,本文利用對抗學習的思想,提出了Mask網(wǎng)絡,其通過增加遮擋網(wǎng)絡主動生成數(shù)據(jù),這些數(shù)據(jù)是目標檢測器學習的難點示例,不是直接在整個像素空間中生成數(shù)據(jù),而是專注于生成的... 

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
專用術語注釋表
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究與發(fā)展現(xiàn)狀
        1.2.1 傳統(tǒng)目標檢測算法
        1.2.2 基于區(qū)域提取的目標檢測算法
        1.2.3 基于端到端的目標檢測算法
    1.3 目標檢測的主要問題
    1.4 本文研究內容及結構安排
        1.4.1 主要研究內容
        1.4.2 論文結構安排
第二章 基礎理論與研究
    2.1 引言
    2.2 人工神經(jīng)網(wǎng)絡
        2.2.1 神經(jīng)元模型
        2.2.2 人工神經(jīng)網(wǎng)絡模型
        2.2.3 反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡
        2.3.1 核心概念
        2.3.2 層的概念
    2.4 本章小結
第三章 經(jīng)典目標檢測算法介紹
    3.1 引言
    3.2 Faster R-CNN
    3.3 SSD
    3.4 實驗對比
    3.5 本章小結
第四章 基于超特征金字塔與對抗學習的目標檢測
    4.1 引言
    4.2 超特征金字塔網(wǎng)絡
        4.2.1 殘差基礎網(wǎng)絡
        4.2.2 Hyper-FPN
    4.3 改進的區(qū)域候選網(wǎng)絡
    4.4 Mask網(wǎng)絡
        4.4.1 生成對抗網(wǎng)絡
        4.4.2 對抗學習
    4.5 微調網(wǎng)絡
        4.5.1 Rol Pooling與Rol Align的聯(lián)合使用
        4.5.2 Soft-NMS
    4.6 綜合訓練
第五章 實驗與結果分析
    5.1 引言
    5.2 實驗平臺和數(shù)據(jù)
        5.2.1 實驗環(huán)境
        5.2.2 數(shù)據(jù)集介紹
    5.3 實驗的評價標準
    5.4 實驗結果對比分析
        5.4.1 PASCAL VOC數(shù)據(jù)集的測試結果
        5.4.2 DETRAC數(shù)據(jù)集的測試結果
第六章 總結與展望
    6.1 研究工作總結
    6.2 展望
參考文獻
附錄1 攻讀碩士學位期間撰寫的論文
附錄2 攻讀碩士學位期間申請的專利
附錄3 攻讀碩士學位期間參加的科研項目
附錄4 攻讀碩士學位期間獲得的獎項
致謝


【參考文獻】：
期刊論文
[1]基于強化學習的無人駕駛匝道匯入模型[J]. 喬良,鮑泓,玄祖興,梁軍,潘峰.  計算機工程. 2018(07)
[2]深度學習在無人駕駛汽車領域應用的研究進展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學報. 2018(01)
[3]智慧城市將迎來“人工智能”新時代[J]. 張永民.  中國建設信息化. 2016(09)



本文編號：3717736