目標(biāo)檢測(cè)技術(shù)即在給定的圖像或者視頻中對(duì)實(shí)例目標(biāo)進(jìn)行識(shí)別并定位,是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要課題之一,推動(dòng)了智能監(jiān)控、人臉識(shí)別以及圖像分割等領(lǐng)域的發(fā)展。目前,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型具有小尺度目標(biāo)檢測(cè)精度較低和目標(biāo)重疊遮擋等復(fù)雜環(huán)境下適應(yīng)能力弱兩個(gè)典型問(wèn)題。因此,該文主要研究目的是分析問(wèn)題的原因并提出幾種高效的目標(biāo)檢測(cè)模型,能夠有效解決這兩個(gè)問(wèn)題,最終提高模型的檢測(cè)精度。首先,針對(duì)小尺度目標(biāo)檢測(cè)精度較低的問(wèn)題,該文提出了一種基于多尺度特征融合的目標(biāo)檢測(cè)模型MS-Faster R-CNN,基于Faster R-CNN的基本架構(gòu),采取了優(yōu)化的多尺度特征融合策略,結(jié)合FPN金字塔特征提取方法的同時(shí)使用了兩條鏈路完成特征融合,使得融合特征的語(yǔ)義更為豐富,能夠適應(yīng)不同尺度目標(biāo)使用。在候選框推薦階段使用了級(jí)聯(lián)RPN和優(yōu)化的NMS方法,使得小尺度目標(biāo)的候選框不會(huì)被過(guò)度抑制,提高候選框的推薦效率。最后,采用基于雙線性插值法的ROI Align池化技術(shù),避免量化造成精度損失。然后,針對(duì)復(fù)雜環(huán)境下適應(yīng)能力弱的問(wèn)題,該文提出一種基于上下文分析的目標(biāo)檢測(cè)模型LSTM-Faster R-CNN,采取基于LSTM的全局...

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語(yǔ)注釋表
第一章 緒論
    1.1 課題背景與意義
    1.2 主要工作和文章結(jié)構(gòu)安排
第二章 相關(guān)技術(shù)研究
    2.1 相關(guān)基礎(chǔ)知識(shí)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)內(nèi)容
        2.1.2 目標(biāo)檢測(cè)技術(shù)關(guān)鍵組成
    2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型
        2.2.1 基于候選區(qū)域的目標(biāo)檢測(cè)模型
        2.2.2 基于回歸方法的目標(biāo)檢測(cè)模型
    2.3 多尺度特征融合與上下文分析
        2.3.1 基于多尺度特征融合的目標(biāo)檢測(cè)模型
        2.3.2 基于上下文分析優(yōu)化的目標(biāo)檢測(cè)模型
    2.4 本章小結(jié)
第三章 一種多尺度特征融合的目標(biāo)檢測(cè)模型
    3.1 問(wèn)題分析
    3.2 MS-Faster R-CNN模型詳述
        3.2.1 總體結(jié)構(gòu)
        3.2.2 多尺度特征融合策略
        3.2.3 優(yōu)化的RPN候選框推薦模塊
        3.2.4 ROI Align池化技術(shù)
    3.3 MS-Faster R-CNN訓(xùn)練策略與實(shí)現(xiàn)細(xì)節(jié)
        3.3.1 整體模型的訓(xùn)練策略和實(shí)現(xiàn)細(xì)節(jié)
        3.3.2 各模塊的訓(xùn)練策略和實(shí)現(xiàn)細(xì)節(jié)
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)準(zhǔn)備與衡量標(biāo)準(zhǔn)
        3.4.2 結(jié)果分析與對(duì)比
        3.4.3 消去實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 一種基于上下文分析的目標(biāo)檢測(cè)模型
    4.1 問(wèn)題分析
    4.2 LSTM-Faster R-CNN模型詳述
        4.2.1 總體結(jié)構(gòu)
        4.2.2 主干網(wǎng)絡(luò)特征提取
        4.2.3 基于LSTM全局上下文信息提取子網(wǎng)絡(luò)
        4.2.4 融合目標(biāo)關(guān)系組件的全連接層
    4.3 LSTM-Faster R-CNN訓(xùn)練策略與實(shí)現(xiàn)細(xì)節(jié)
        4.3.1 整體模型的訓(xùn)練策略和實(shí)現(xiàn)細(xì)節(jié)
        4.3.2 各模塊的訓(xùn)練策略和實(shí)現(xiàn)細(xì)節(jié)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)準(zhǔn)備與衡量標(biāo)準(zhǔn)
        4.4.2 結(jié)果分析與對(duì)比
        4.4.3 消去實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 系統(tǒng)總體架構(gòu)
    5.2 系統(tǒng)功能設(shè)計(jì)
    5.3 系統(tǒng)環(huán)境和界面展示
        5.3.1 軟、硬件環(huán)境
        5.3.2 系統(tǒng)界面展示
    5.4 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
附錄2 攻讀碩士學(xué)位期間申請(qǐng)的專利
附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目
致謝



本文編號(hào)：3862738