隨著人工智能浪潮的到來,深度學習作為表示學習的一個重要分支,其發(fā)展大幅提高了視覺識別任務的最終性能。盡管有著大量的理論、學術(shù)研究,但在面對復雜應用環(huán)境以及計算資源相對匱乏的設備平臺時,視覺識別模型的表現(xiàn)仍不如人意。作為視覺識別任務的核心問題,目標檢測和分割任務的發(fā)展始終在模型準確率與計算效率的取舍中艱難前進。本文的核心思想是利用表示學習相關(guān)理論,在保證視覺識別任務性能的前提下,能夠設計出低延遲、低功耗的視覺識別模型。本文的主要工作如下:對目前表示學習中在視覺識別任務起重要作用的深度卷積神經(jīng)網(wǎng)絡進行梳理,介紹具有代表性的深度卷積神經(jīng)網(wǎng)絡和輕量級卷積神經(jīng)網(wǎng)絡。并對表示學習在視覺識別任務中的相關(guān)工作從多尺度特征學習、上下文特征學習以及關(guān)系網(wǎng)絡三個方面進行概要總結(jié)。其中,多尺度特征學習從圖像金字塔、預測金字塔、特征融合以及特征金字塔四個角度進行分析;上下文特征學習通過全局上下文特征學習和局部上下文特征學習進行闡述;并對關(guān)系網(wǎng)絡在視覺識別任務上的應用從圖卷積神經(jīng)網(wǎng)絡和自注意力機制兩個方面進行整理。針對醫(yī)院現(xiàn)有醫(yī)療設備計算資源相對匱乏的問題,采用上下文特征編碼病灶周圍區(qū)域的信息,再通過自注意力機制... 

【文章來源】：江南大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 目標檢測算法簡介
    1.3 語義分割算法簡介
    1.4 研究現(xiàn)狀以及未來發(fā)展趨勢
    1.5 本文主要創(chuàng)新點
    1.6 章節(jié)安排
第二章 表示學習
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 常用卷積神經(jīng)網(wǎng)絡
        2.1.2 輕量級卷積神經(jīng)網(wǎng)絡
    2.2 特征表示學習
        2.2.1 多尺度特征學習
        2.2.2 上下文特征學習
        2.2.3 關(guān)系網(wǎng)絡
    2.3 本章小結(jié)
第三章 上下文自注意力皮膚病分割算法
    3.1 上下文自注意力模塊
    3.2 上下文自注意力皮膚病分割網(wǎng)絡
    3.3 實驗及應用
        3.3.1 數(shù)據(jù)集及實驗設置
        3.3.2 評價標準
        3.3.3 損失函數(shù)
        3.3.4 實驗結(jié)果
        3.3.5 對比實驗
        3.3.6 可視化分析
    3.4 本章小結(jié)
第四章 輕量級人臉檢測算法研究
    4.1 算法基本框架
    4.2 輕量級特征提高模塊
    4.3 錨點致密策略
    4.4 實驗及應用
        4.4.1 數(shù)據(jù)集及實驗設置
        4.4.2 評價標準
        4.4.3 PASCAL Face數(shù)據(jù)集
        4.4.4 AFW數(shù)據(jù)集
        4.4.5 FDDB數(shù)據(jù)集
        4.4.6 WIDER FACE數(shù)據(jù)集
        4.4.7 對比實驗
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻
附錄:在讀期間發(fā)表的學術(shù)論文與取得的研究成果



本文編號：3197637