隨著安檢以及安防監(jiān)控技術(shù)需求的迅速增長(zhǎng),毫米波/太赫茲安檢儀已經(jīng)開(kāi)始部署在機(jī)場(chǎng)、地鐵等公共安全場(chǎng)所。由于需要處理海量的毫米波/太赫茲安檢圖像數(shù)據(jù),人工安檢的效率已經(jīng)無(wú)法滿足要求。因此利用人工智能檢測(cè)識(shí)別毫米波圖像中違禁品,已成為研究的熱點(diǎn)。本文將Faster R-CNN算法應(yīng)用到被動(dòng)毫米波圖像的檢測(cè)識(shí)別中,在Faster R-CNN模型基礎(chǔ)上,設(shè)計(jì)一種基于Faster R-CNN目標(biāo)檢測(cè)改進(jìn)算法。本文的主要研究工作如下:（1）首先介紹了深度學(xué)習(xí)的基本理論。選取了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法Faster R-CNN算法檢測(cè)被動(dòng)毫米波圖像中的目標(biāo),并對(duì)該算法進(jìn)行分析。針對(duì)被動(dòng)毫米波圖像低分辨率、目標(biāo)面積小等問(wèn)題,在Faster R-CNN算法的基礎(chǔ)上,利用帶FPN網(wǎng)絡(luò)的RPN（Region Proposal Network）網(wǎng)絡(luò)替換FasterR-CNN算法中的RPN網(wǎng)絡(luò),進(jìn)行高、低層特征融合,為預(yù)測(cè)的特征圖增加更多的細(xì)節(jié)與位置信息以及語(yǔ)義信息。最終帶FPN網(wǎng)絡(luò)的RPN網(wǎng)絡(luò)算法在仿真毫米波輻射圖像測(cè)試集的平均準(zhǔn)確率達(dá)到83.7%,較Faster R-CNN算法提高了2.6%。（2）被動(dòng)毫米波... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmod函數(shù)圖像

Sigmod 函數(shù)存在兩大缺點(diǎn)而逐漸被淘汰。梯度容易飽和，當(dāng)輸入數(shù)據(jù)大到一定的程度或趨勢(shì)越趨于平緩狀態(tài)，梯度接近于 0（即式(2 0），導(dǎo)致在反向傳播過(guò)程中，權(quán)重參數(shù)值基絡(luò)無(wú)法遞歸學(xué)習(xí)輸入數(shù)據(jù)特征。在權(quán)重參數(shù)的輸出均值不為 0，導(dǎo)致神經(jīng)網(wǎng)絡(luò)后層的神經(jīng)產(chǎn)生影響。假設(shè)輸入 為正，由式 = 方向或者均為負(fù)方向，導(dǎo)致網(wǎng)絡(luò)收斂變得緩 函數(shù)的缺點(diǎn)，新的激活函數(shù)被提出。Tanh 非，將其映射到[-1,1]區(qū)間，其公式如下：( )tanh( )cosh( )x xx xsinh x e exx e e 圖 2-3 所示。

中 科 技 大 學(xué) 碩 士 學(xué) 位 論數(shù)和 Sigmod 函數(shù)有異曲同工之妙，與圖 2-2 不同的是0，解決了Sigmod函數(shù)存在的第二個(gè)缺點(diǎn)，實(shí)際中Tanh函，但 Tanh 函數(shù)同樣存在梯度飽和問(wèn)題，而 ReLU 激活用。ectified Linear Units)激活函數(shù)由 Vinod Nair 在 2010 年歡迎，ReLU 函數(shù)的優(yōu)點(diǎn)是在加快網(wǎng)絡(luò)收斂速度，提高消失的問(wèn)題。ReLu 激活函數(shù)數(shù)學(xué)表達(dá)式如下：f ( x ) max(0, x)活函數(shù)曲線如圖 2-4 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測(cè)量技術(shù). 2017(11)
[2]地鐵安檢開(kāi)始試用太赫茲成像安檢儀[J].   都市快軌交通. 2017(05)
[3]創(chuàng)新科技為現(xiàn)代安檢護(hù)航——記祁春超博士領(lǐng)銜開(kāi)發(fā)的國(guó)內(nèi)首臺(tái)太赫茲主動(dòng)式人體安檢儀[J]. 田靜.  海峽科技與產(chǎn)業(yè). 2017(01)
[4]天津市政府與國(guó)家外專局簽署引進(jìn)國(guó)外智力共建“美麗天津”合作協(xié)議[J].   國(guó)際人才交流. 2014(06)

碩士論文
[1]基于ShuffleNet網(wǎng)絡(luò)模型的圖片內(nèi)容自動(dòng)分類研究[D]. 劉燁.河南大學(xué) 2018
[2]深度學(xué)習(xí)在車牌識(shí)別中的研究與應(yīng)用[D]. 李文鵬.西安工程大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究[D]. 張志豪.電子科技大學(xué) 2018
[4]基于深度顯著性分析的目標(biāo)檢測(cè)[D]. 范淼.西安電子科技大學(xué) 2018
[5]基于FCN及種子的遙感影像道路提取方法的研究[D]. 郝尚榮.河南大學(xué) 2017
[6]基于深度學(xué)習(xí)的遙感圖像檢索方法研究[D]. 劉雪瑩.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017
[7]基于快速射線追蹤的毫米波輻射圖像模擬方法研究[D]. 戚博.華中科技大學(xué) 2017
[8]基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)及其在靜態(tài)目標(biāo)檢測(cè)方面的應(yīng)用[D]. 王飛.北京郵電大學(xué) 2017
[9]基于深度學(xué)習(xí)的溯源視頻目標(biāo)檢測(cè)與識(shí)別[D]. 劉健.東南大學(xué) 2016
[10]基于被動(dòng)毫米波成像的隱匿違禁物品檢測(cè)識(shí)別方法研究[D]. 任路遙.南京理工大學(xué) 2016



本文編號(hào)：3597927