機(jī)器視覺是工業(yè)生產(chǎn)和人們?nèi)粘Ｉ钪械闹匾M成部分,近年來在自動(dòng)駕駛、機(jī)器人自主定位、人臉檢測等多個(gè)領(lǐng)域得到了廣泛的推廣和應(yīng)用。目標(biāo)檢測是機(jī)器視覺領(lǐng)域的一個(gè)重要分支,隨著視覺行業(yè)對目標(biāo)檢測實(shí)時(shí)性要求的提高,傳統(tǒng)的目標(biāo)檢測方式已經(jīng)不足以滿足生產(chǎn)生活上人們的需求。隨著大數(shù)據(jù)時(shí)代的到來和計(jì)算機(jī)運(yùn)算能力的顯著提升,以深度學(xué)習(xí)為首的智能算法正在日益顛覆日常生活中的一切,卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)模型中的一種,在人臉識(shí)別領(lǐng)域的準(zhǔn)確率達(dá)到了97.52%,比人類肉眼更精準(zhǔn),因此結(jié)合深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的出色表現(xiàn),研究基于深度學(xué)習(xí)算法的目標(biāo)檢測具有重要的意義。本文圍繞基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法進(jìn)行研究,針對目標(biāo)檢測過程中候選區(qū)域的提取,卷積神經(jīng)網(wǎng)絡(luò)采樣層的激活函數(shù),反向傳播過程中的梯度下降法,網(wǎng)絡(luò)學(xué)習(xí)率和損失函數(shù)進(jìn)行研究和改進(jìn)。主要內(nèi)容如下:首先,針對目標(biāo)提取算法傳統(tǒng)方式遍歷花費(fèi)時(shí)間長,產(chǎn)生冗余候選區(qū)域多的問題上,研究現(xiàn)有的目標(biāo)候選區(qū)域提取算法,結(jié)合圖像分割算法對基于窮舉法的滑動(dòng)窗口策略進(jìn)行改進(jìn)。通過基于臨近圖的融合算法將圖像分為多個(gè)無重疊子區(qū)域,構(gòu)建像素點(diǎn)的坐標(biāo),像素點(diǎn)的值的二元函數(shù)精準(zhǔn)計(jì)算圖像特征... 

【文章來源】：東北石油大學(xué)黑龍江省

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
創(chuàng)新點(diǎn)摘要
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 目標(biāo)檢測研究現(xiàn)狀
        1.2.2 深度神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
    1.3 論文研究的主要內(nèi)容
    1.4 論文安排
第二章 基于圖像分割的目標(biāo)定位方法改進(jìn)
    2.1 引言
    2.2 基于滑動(dòng)窗口的目標(biāo)定位方法
    2.3 基于圖像分割的目標(biāo)定位方法
        2.3.1 圖像分割算法
        2.3.2 圖像分割在圖像目標(biāo)定位上的應(yīng)用
    2.4 本章小結(jié)
第三章 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)
    3.1 引言
    3.2 Alex Net卷積神經(jīng)網(wǎng)絡(luò)參數(shù)選取
    3.3 基于Alex Net的網(wǎng)絡(luò)模型優(yōu)化與改進(jìn)
        3.3.1 改進(jìn)網(wǎng)絡(luò)非線性層激活函數(shù)
        3.3.2 基于慣性理論的隨機(jī)梯度下降法
        3.3.3 基于自適應(yīng)的網(wǎng)絡(luò)學(xué)習(xí)率調(diào)整
        3.3.4 基于交叉熵的損失函數(shù)優(yōu)化
    3.4 本章小結(jié)
第四章 基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測框架及應(yīng)用
    4.1 引言
    4.2 改進(jìn)的目標(biāo)檢測框架及訓(xùn)練方法
        4.2.1 基于改進(jìn)的目標(biāo)檢測算法流程
        4.2.2 數(shù)據(jù)的選取與卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        4.2.3 目標(biāo)分類結(jié)果與分析
    4.3 基于遷移學(xué)習(xí)的網(wǎng)絡(luò)深層結(jié)構(gòu)微調(diào)整
        4.3.1 遷移學(xué)習(xí)模型
        4.3.2 遷移學(xué)習(xí)在網(wǎng)絡(luò)模型上的應(yīng)用
    4.4 目標(biāo)檢測結(jié)果與分析
        4.4.1 目標(biāo)檢測評(píng)價(jià)標(biāo)準(zhǔn)及幾種算法的性能比較
        4.4.2 目標(biāo)檢測結(jié)果分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
發(fā)表文章目錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[2]基于條件生成對抗網(wǎng)絡(luò)的手繪圖像檢索[J]. 劉玉杰,竇長紅,趙其魯,李宗民,李華.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(12)
[3]基于類物體采樣方法的多類別物體識(shí)別[J]. 張志柏,朱敏,孫傳慶,牛杰.  中國工程機(jī)械學(xué)報(bào). 2017(01)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[5]深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)方法綜述[J]. 殷瑞剛,魏帥,李晗,于洪.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2016(08)
[6]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)
[7]相似性約束的深度置信網(wǎng)絡(luò)在SAR圖像目標(biāo)識(shí)別的應(yīng)用[J]. 丁軍,劉宏偉,陳渤,馮博,王英華.  電子與信息學(xué)報(bào). 2016(01)
[8]基于FAST特征的快速圖像拼接系統(tǒng)研究[J]. 張懿,劉藝.  計(jì)算機(jī)工程與應(yīng)用. 2016(10)
[9]基于多GPU的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[J]. 顧乃杰,趙增,呂亞飛,張致江.  小型微型計(jì)算機(jī)系統(tǒng). 2015(05)
[10]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)

博士論文
[1]復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測和識(shí)別關(guān)鍵技術(shù)研究[D]. 解曉萌.華南理工大學(xué) 2012
[2]基于非局部信息的保邊緣圖像去噪研究及應(yīng)用[D]. 熊波.華中科技大學(xué) 2012
[3]智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測和跟蹤算法研究[D]. 袁國武.云南大學(xué) 2012

碩士論文
[1]用于安防監(jiān)控的人體入侵圖像識(shí)別算法研究[D]. 楊鵬飛.湖南大學(xué) 2014
[2]基于機(jī)器視覺的零件識(shí)別和測量系統(tǒng)研究[D]. 鄧小峰.南京航空航天大學(xué) 2014



本文編號(hào)：3175089