多目標(biāo)檢測(cè)與分類需要從圖像的復(fù)雜背景下檢測(cè)和分類出各類目標(biāo),它與目標(biāo)檢測(cè)和圖像分割都有著密切的聯(lián)系。目前,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)進(jìn)行目標(biāo)檢測(cè)有了新的突破和研究方向,出現(xiàn)了一系列基于CNN的多目標(biāo)檢測(cè)與分類方法。其中,較為準(zhǔn)確和快速的一類目標(biāo)分類檢測(cè)方法是在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加區(qū)域候選網(wǎng)絡(luò)(Region Proposal Networks,RPN)。這類方法使用區(qū)域卷積神經(jīng)網(wǎng)絡(luò)、空間金字塔池化(Spatial Pyramid Pooling,SPP)以及快速的區(qū)域卷積網(wǎng)絡(luò)等技術(shù),在檢測(cè)上的多項(xiàng)指標(biāo)上取得了顯著的進(jìn)步,使得檢測(cè)速度基本達(dá)到了實(shí)時(shí)的要求,同時(shí)精度也得到大幅的提升。但這類多目標(biāo)的檢測(cè)和分類方法都是基于分類后的矩形框?qū)λ鶛z測(cè)的目標(biāo)進(jìn)行標(biāo)注的,這種做法雖然在速度和精度上有所提升。但不能精確地標(biāo)定各個(gè)目標(biāo)位置和形狀輪廓;為了增加檢測(cè)精度,基于矩形框的方法需要設(shè)有邊界框回歸學(xué)習(xí)的過(guò)程,這增加了整個(gè)卷積網(wǎng)絡(luò)的時(shí)間成本;另外,這類方法對(duì)于各類小目標(biāo)的檢測(cè)效果并不理想。在圖像的分割上目前主要是通過(guò)卷積網(wǎng)絡(luò)提取圖像特征,再通過(guò)對(duì)...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景及意義
    1.2 問(wèn)題的提出
    1.3 文獻(xiàn)綜述
    1.4 本文的研究方法
    1.5 本文的結(jié)構(gòu)
第2章 目標(biāo)檢測(cè)與圖像分割
    2.1 目標(biāo)檢測(cè)和分類的發(fā)展
    2.2 目標(biāo)檢測(cè)和分類的研究
        2.2.1 基于候選區(qū)域的檢測(cè)方法
        2.2.2 基于一體化卷積網(wǎng)絡(luò)的檢測(cè)方法
    2.3 圖像分割的發(fā)展
    2.4 圖像分割方法
    2.5 本章小結(jié)
第3章 輪廓提取方法
    3.1 概述
    3.2 傳統(tǒng)輪廓提取方法
        3.2.1 Snake模型
        3.2.2 水平集分割方法
        3.2.3 其他輪廓提取方法
    3.3 傳統(tǒng)目標(biāo)輪廓提取方法的實(shí)驗(yàn)和結(jié)果分析
        3.3.1 梯度矢量流模型實(shí)驗(yàn)和結(jié)果分析
        3.3.2 水平集方法實(shí)驗(yàn)和結(jié)果分析
        3.3.3 輪廓提取方法分析
    3.4 本章小結(jié)
第4章 候選區(qū)的獲取
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 候選區(qū)域獲取
    4.4 語(yǔ)義分割圖獲取
    4.5 實(shí)驗(yàn)和結(jié)果分析
    4.6 本章小結(jié)
第5章 圖像分割中提取目標(biāo)輪廓
    5.1 圖像分割
        5.1.1 語(yǔ)義分割網(wǎng)絡(luò)結(jié)構(gòu)
        5.1.2 上采樣與反卷積
        5.1.3 條件隨機(jī)場(chǎng)
    5.2 提取目標(biāo)輪廓
    5.3 實(shí)驗(yàn)和結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)和展望
    6.1 本文工作總結(jié)
    6.2 下一步研究計(jì)劃
參考文獻(xiàn)
致謝



本文編號(hào)：4047637