在計算機視覺領域中,深度學習在目標檢測任務上的性能已經(jīng)超越以往,達到了歷史最高水平。本文主要研究的課題就是目標檢測問題在商標領域上的應用。不同于開放領域的目標檢測任務,商標檢測任務存在著目標尺度跨度大、場景變化復雜、目標旋轉形變嚴重以及小目標數(shù)目眾多等特點,而目前主流的目標識別算法在針對商標領域的識別任務時準確率并不高�；谏鲜霰尘�,本論文主要內容是目標檢測算法在商標檢測領域的研究。針對商標數(shù)據(jù)集中存在的目標較小、遮擋和旋轉等問題,本文提出了一種基于多尺度圖像模板的候選區(qū)域生成算法。算法主要思想是基于原始候選框生成網(wǎng)絡框架,將圖像金字塔和多尺度圖像模板結合到統(tǒng)一網(wǎng)絡中,同時將特征提前網(wǎng)絡由原來的使用最后一層特征改為特征金字塔網(wǎng)絡,提高了算法對小目標的檢測能力。針對不同分辨率圖像,算法使用不同大小尺度的圖像模板,既解決了多尺度檢測的問題,也沒有過多的冗余計算。通過在公開數(shù)據(jù)集和人工標注的汽車領域數(shù)據(jù)集CarLogos上的對比實驗,證明我們的算法優(yōu)于原始候選框提取算法以及Selective Search算法。由于前文提出的候選區(qū)域生成算法無法輸入多尺度圖像,使得算法無法統(tǒng)一到原始Faste... 

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

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

左圖是PaulViola[28]

圖 2-2 LBP 特征的計算過程[27]目標檢測領域，多尺度形變部件模型[46]（DPM）算法也是近年來在該領行的算法，它由 Felzenszwalb 等人提出。該算法很好地結合了檢測目標征信息與整體輪廓特征，有效地解決了在實際檢測過程中遇到的遮擋目目標物自身存在更加細粒度的變化問題。該算法總體也是采用改進后

圖 2-3 LeNe-5 的基本網(wǎng)絡結構[35]雖然 LeNet 首次將卷積神經(jīng)網(wǎng)絡應用到實際任務中并取得了良好的效果，但實際由于激活函數(shù)等原因導致網(wǎng)絡無法變得更深，以至于缺乏非線性特征。故此卷積神經(jīng)網(wǎng)絡迅速落寞下去，直到 Alex 和 Hinton 等人在 2010 年的 LSVRC 大賽中提出了 AlexNet[36]并取得冠軍。雖然比賽數(shù)據(jù)集包含超過 1200 萬張圖像，共計


本文編號：3461938