隨著人工智能越來(lái)越多的滲透到我們生活工作的方方面面,人工智能技術(shù)中非常重要的分支——計(jì)算機(jī)視覺(jué)受到越來(lái)越多研究者的關(guān)注。而目標(biāo)檢測(cè)技術(shù)更是眾多計(jì)算機(jī)視覺(jué)任務(wù)的必備前提,如事件檢測(cè)、自動(dòng)駕駛、智能醫(yī)療等。近年來(lái)目標(biāo)檢測(cè)領(lǐng)域發(fā)展迅猛,各種研究成果層出不窮,但是當(dāng)前的目標(biāo)檢測(cè)技術(shù)依然有很大的提升空間。本文在大量查閱文獻(xiàn),廣泛研究現(xiàn)有研究成果的情況下,對(duì)目標(biāo)檢測(cè)目前的國(guó)內(nèi)外研究現(xiàn)狀、存在的主要問(wèn)題進(jìn)行了闡述。之后對(duì)目前目標(biāo)檢測(cè)的主流方法進(jìn)行了系統(tǒng)介紹,包括基于深度學(xué)習(xí)的兩段式和一段式目標(biāo)檢測(cè)方法。并且對(duì)視頻目標(biāo)檢測(cè)相對(duì)于圖像目標(biāo)檢測(cè)存在的主要難點(diǎn)進(jìn)行了說(shuō)明。提出了加權(quán)特征金字塔網(wǎng)絡(luò)用以解決小目標(biāo)檢測(cè)精度較低的問(wèn)題。針對(duì)一段式目標(biāo)檢測(cè)方法中前景背景樣本極度不平衡的問(wèn)題提出了背景抑制損失函數(shù)。在加權(quán)特征金字塔網(wǎng)絡(luò)的基礎(chǔ)上提出了針對(duì)視頻目標(biāo)檢測(cè)的交錯(cuò)模型。并開(kāi)發(fā)了集數(shù)據(jù)處理、模型訓(xùn)練以及目標(biāo)檢測(cè)為一體的原型系統(tǒng)。本文的主要研究?jī)?nèi)容如下:1)針對(duì)小目標(biāo)檢測(cè)效果不佳的問(wèn)題,提出了基于多層次深度特征融合的圖像目標(biāo)檢測(cè)方法。利用卷積神經(jīng)網(wǎng)絡(luò)淺層特征具有較高分辨率,深層特征具有較為具體的語(yǔ)義信息的特性。根據(jù)不同...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究的主要內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究概況
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 特征金字塔
    2.3 兩段式目標(biāo)檢測(cè)方法
        2.3.1 R-CNN
        2.3.2 Fast R-CNN
        2.3.3 Faster R-CNN
    2.4 一段式目標(biāo)檢測(cè)方法
        2.4.1 YOLO
        2.4.2 SSD
    2.5 視頻目標(biāo)檢測(cè)的難點(diǎn)
    2.6 本章小結(jié)
第三章 基于多層次深度特征融合的圖像目標(biāo)檢測(cè)方法
    3.1 概述
    3.2 加權(quán)特征金字塔網(wǎng)絡(luò)
        3.2.1 網(wǎng)絡(luò)架構(gòu)
        3.2.2 特征提取
        3.2.3 特征融合
        3.2.4 目標(biāo)檢測(cè)
    3.3 背景抑制損失函數(shù)
        3.3.1 前/背景樣本平衡問(wèn)題
        3.3.2 背景抑制
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 評(píng)價(jià)指標(biāo)
        3.4.3消融實(shí)驗(yàn)
        3.4.4 特征融合的權(quán)重分配
        3.4.5 基于背景抑制的特征加權(quán)特征金字塔
    3.5 本章小結(jié)
第四章 基于交錯(cuò)WFPN的視頻目標(biāo)檢測(cè)方法
    4.1 概述
    4.2 交錯(cuò)WFPN
        4.2.1 網(wǎng)絡(luò)框架
        4.2.2 高精度目標(biāo)檢測(cè)器V-WFPN
        4.2.3 高速目標(biāo)檢測(cè)器V-FastWFPN
        4.2.4 時(shí)序信息處理模塊Group ConvLSTM
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 數(shù)據(jù)集簡(jiǎn)介
        4.3.2 交錯(cuò)率設(shè)置
        4.3.3 HRank剪枝
        4.3.4 主干網(wǎng)絡(luò)選擇
        4.3.5 主流模型對(duì)比
    4.4 本章小結(jié)
第五章 視頻目標(biāo)檢測(cè)原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 概述
    5.2 系統(tǒng)開(kāi)發(fā)工具簡(jiǎn)介
    5.3 原型系統(tǒng)設(shè)計(jì)概況
        5.3.1 數(shù)據(jù)預(yù)處理
        5.3.2 模型訓(xùn)練
        5.3.3 目標(biāo)檢測(cè)
    5.4 目標(biāo)檢測(cè)原型系統(tǒng)實(shí)現(xiàn)
        5.4.1 數(shù)據(jù)預(yù)處理
        5.4.2 模型訓(xùn)練
        5.4.3 目標(biāo)檢測(cè)
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 后期工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號(hào)：4012679