隨著5G、AI時(shí)代的到來(lái),智能視覺(jué)傳感網(wǎng)絡(luò)系統(tǒng)得到快速發(fā)展,在新零售、城市大腦、工業(yè)物聯(lián)網(wǎng)等多個(gè)領(lǐng)域均展現(xiàn)出巨大潛力。在實(shí)際應(yīng)用場(chǎng)景中,深度學(xué)習(xí)依賴(lài)海量數(shù)據(jù),采集標(biāo)注成本高;同時(shí)應(yīng)用場(chǎng)景一般要求算法精度高、檢測(cè)結(jié)果反饋時(shí)延低,還要求支持部署大規(guī)模識(shí)別庫(kù)。針對(duì)以上難點(diǎn),本文提出采用云端和邊緣計(jì)算結(jié)合的架構(gòu)模式,將部分計(jì)算過(guò)程前置到邊緣端計(jì)算處理器上,在感知前端對(duì)海量非結(jié)構(gòu)化的圖像數(shù)據(jù)完成目標(biāo)檢測(cè)工作,然后將獲取的檢測(cè)目標(biāo)送往云端識(shí)別處理,以此來(lái)降低時(shí)延、提高識(shí)別精度并支持大規(guī)模識(shí)別庫(kù)的部署;同時(shí),通過(guò)合成方法獲得整個(gè)檢測(cè)識(shí)別算法訓(xùn)練所需要的數(shù)據(jù),可以顯著地降低數(shù)據(jù)采集成本。整體方案框架包括數(shù)據(jù)合成、多目標(biāo)檢測(cè)、細(xì)粒度分類(lèi)三大模塊,具體方法如下:數(shù)據(jù)合成方法包括圖像分割網(wǎng)絡(luò)M-Unet（Multi-path Dilated Convolution U-Net）算法、圖像合成策略、CycleGan（Generative Adversarial Networks）算法。本文提出的M-Unet相比于傳統(tǒng)的U-Net網(wǎng)絡(luò),增加多支路空洞卷積并聯(lián)模塊（Multi-path Dilated Convol...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
主要符號(hào)對(duì)照表
第一章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容及意義
    1.4 論文組織結(jié)構(gòu)
第二章 智能視覺(jué)傳感網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu)及算法理論
    2.1 智能視覺(jué)傳感網(wǎng)絡(luò)
        2.1.1 智能視覺(jué)傳感網(wǎng)絡(luò)簡(jiǎn)介
        2.1.2 零售場(chǎng)景智能視覺(jué)傳感系統(tǒng)
        2.1.3 硬件介紹
    2.2 卷積神經(jīng)網(wǎng)絡(luò)算法理論
        2.2.1 卷積層
        2.2.2 激活層
        2.2.3 池化層
        2.2.4 Softmax分類(lèi)器
        2.2.5 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化器
    2.3 卷積神經(jīng)網(wǎng)絡(luò)中的前向傳播算法與反向傳播算法
        2.3.1 前向傳播算法
        2.3.2 反向傳播算法
    2.4 本章小結(jié)
第三章 基于M-Unet圖像分割網(wǎng)絡(luò)的數(shù)據(jù)合成算法
    3.1 引言
    3.2 融合圖像分割、換域及組合策略的數(shù)據(jù)合成算法框架
    3.3 圖像分割方法
    3.4 M-Unet分割算法設(shè)計(jì)
        3.4.1 M-Unet網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 MPDC模塊
        3.4.3 LKCD模塊
        3.4.4 損失函數(shù)
    3.5 M-Unet實(shí)驗(yàn)結(jié)果與分析
        3.5.1 數(shù)據(jù)集介紹
        3.5.2 數(shù)據(jù)預(yù)處理
        3.5.3 評(píng)價(jià)指標(biāo)
        3.5.4 實(shí)驗(yàn)結(jié)果
    3.6 基于CycleGan對(duì)抗生成網(wǎng)絡(luò)的圖像合成算法
        3.6.1 CycleGan網(wǎng)絡(luò)框架
        3.6.2 損失函數(shù)
        3.6.3 實(shí)驗(yàn)結(jié)果
    3.7 本章小結(jié)
第四章 基于正負(fù)樣本優(yōu)化策略的M-FPN檢測(cè)方法
    4.1 檢測(cè)算法框架
        4.1.1 兩階段檢測(cè)框架
        4.1.2 一階段檢測(cè)框架
    4.2 基于正負(fù)樣本優(yōu)化策略的FPN目標(biāo)檢測(cè)方法
        4.2.1 特征金字塔網(wǎng)絡(luò)(FPN)
        4.2.2 FPN正負(fù)樣本優(yōu)化策略的設(shè)計(jì)
        4.2.3 M-FPN實(shí)驗(yàn)結(jié)果
    4.3 基于合成數(shù)據(jù)的實(shí)驗(yàn)結(jié)果分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)
        4.3.2 實(shí)驗(yàn)設(shè)置
        4.3.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        4.3.4 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
第五章 基于ResNet_FPM的細(xì)粒度分類(lèi)方法
    5.1 方法框架
        5.1.1 ResNet_FPM整體框架
        5.1.2 ResNet網(wǎng)絡(luò)
        5.1.3 FPM模塊設(shè)計(jì)
        5.1.4 FPN多級(jí)特征融合
        5.1.5 全局平均池化與最大池化
        5.1.6 損失函數(shù)
    5.2 實(shí)驗(yàn)結(jié)果
        5.2.1 數(shù)據(jù)集介紹
        5.2.2 實(shí)驗(yàn)配置
        5.2.3 結(jié)果分析
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 進(jìn)一步研究方向
參考文獻(xiàn)
作者攻讀碩士學(xué)位期間撰寫(xiě)的論文和專(zhuān)利
致謝



本文編號(hào)：4025507