傳統(tǒng)的目標(biāo)檢測算法檢測速度慢、魯棒性差,無法滿足要求日益增高的無人機(jī)檢測任務(wù)。與傳統(tǒng)的目標(biāo)檢測算法相比,基于深度學(xué)習(xí)的目標(biāo)檢測算法檢測速度快,但是卻依賴PC機(jī)強(qiáng)大的計算能力和存儲資源。與之形成鮮明對比的是:無人機(jī)自身或者其搭載的嵌入式設(shè)備計算資源和存儲資源嚴(yán)重受限,遠(yuǎn)不能達(dá)到基于深度學(xué)習(xí)的目標(biāo)檢測模型推理的需要。因此,研究壓縮目標(biāo)檢測模型的算法,對于嵌入式設(shè)備中部署基于深度學(xué)習(xí)的目標(biāo)檢測算法以提高無人機(jī)的應(yīng)用水平具有十分重要的意義。為此,本文在深入研究目標(biāo)檢測算法的基礎(chǔ)上,深入剖析目標(biāo)檢測模型,針對SSD目標(biāo)檢測模型的特點(diǎn),定制化壓縮算法,并針對無人機(jī)目標(biāo)檢測任務(wù)的需要,完成基于ARM+GPU架構(gòu)的嵌入式平臺部署。針對無人機(jī)目標(biāo)檢測任務(wù)進(jìn)行需求分析,明確需要達(dá)到的技術(shù)指標(biāo)。選取Single Shot Detection（SSD）目標(biāo)檢測算法,該算法能夠很好的適應(yīng)機(jī)載下視圖像多尺度、多形變的特點(diǎn),但是由于嵌入式平臺計算和存儲資源受限會使其性能下降。為提升模型在嵌入式平臺的性能,對該模型進(jìn)行了深入研究,結(jié)果表明SSD檢測模型可以從減少通道數(shù)和計算量兩個方向進(jìn)行壓縮。針對SSD目標(biāo)檢測模型通... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

R-CNN工作原理

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文不能共享計算過程。在測試時，從輸入圖像中的每個提議候選區(qū)域提議特征。Fast R-CNN（Fast Region-based Convolutional Network）實際上是繼承了 R-CNN，不過在 R-CNN 的基礎(chǔ)上又增加了兩種方法增加其檢測速度：（1）在 R-CNN 的推薦區(qū)域之前，先對圖像的特征進(jìn)行提取，這樣后面的網(wǎng)絡(luò)只需要對單個輸入圖像使用卷積操作（與之形成鮮明對比的是：R-CNN 卻要在2000個重疊區(qū)域上分別進(jìn)行2000 卷積操作）。（2）SVM 被替換成 softmax 層，該層的作用是用來預(yù)測。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文系統(tǒng)中，區(qū)域提議算法是限制檢測目標(biāo)檢測速度得一個計算瓶頸，而selectivesearch則比較慢。Faster R-CNN 的創(chuàng)新點(diǎn)則是，它把之前搜索速度不高的的選擇搜索算法（selective search algorithm）替換為一個快速神經(jīng)網(wǎng)絡(luò)（事實上，它引入了一個region proposal 網(wǎng)絡(luò) RPN）。在 PASCAL VOC 檢測基準(zhǔn)測試[13]上驗證了 Faster R-CNN 檢測系統(tǒng)，其中使用了 RPNs 的 Fast R-CNNs 的檢測準(zhǔn)確率優(yōu)于使用 SelectiveSearch 的 Fast R-CNNs 檢測系統(tǒng)性能。由于引入了 RPN，F(xiàn)aster R-CNN 幾乎消除了SS算法在測試階段帶來的所有的計算負(fù)擔(dān)——在測試時用于區(qū)域提議的運(yùn)行時間只有 10ms。使用非常深的網(wǎng)絡(luò)模型 VGG-16[7]，在 GPU 平臺上 FasterR-CNN 的檢測系統(tǒng)的檢測速率為 5fps，在 PASCAL VOC 2007 上獲得 73.2%的 mPA 檢測準(zhǔn)確率，在 PASCALVOC 2012 數(shù)據(jù)集上獲得 70.4%的 mPA 檢測準(zhǔn)確率。


本文編號：3108596