隨著近幾年人工智能的興起以及快速的發(fā)展,深度學習的研究方法逐步的和一些計算機領域的傳統(tǒng)研究方向深度融合,取得了一些不錯的成果。計算機視覺領域是深度學習最早取得突破的領域。隨著計算機硬件的發(fā)展,計算機硬件能力的提升和成本的降低也使得深度學習所需的計算能力更易于獲取。在計算機視覺領域中不斷地有各種關于卷積神經(jīng)網(wǎng)絡在目標識別上的應用,從最早出現(xiàn)的Alex Net網(wǎng)絡模型到如今基于端到端的SSD網(wǎng)絡模型,關于目標識別的研究獲得了快速的發(fā)展�；谏疃葘W習的目標檢測技術由于具有可靠的優(yōu)勢,即更高的準確率、以及更強的魯棒性,同時還有實時性,逐漸取代了傳統(tǒng)的目標檢測技術。但是,面對新的技術變革就有產(chǎn)生新的挑戰(zhàn),隨著復雜場景的出現(xiàn),由于深度學習所訓練的數(shù)據(jù)集大部分是基于現(xiàn)有的數(shù)據(jù)集進行訓練和預測的,因此往往在針對中小目標占比的特征信息進行預測時會遺漏很多細節(jié)特征,從而導致相關的網(wǎng)絡模型的檢測能力受到制約。這也成為了提升并優(yōu)化網(wǎng)絡模型時所必須面對的一個關鍵問題。因此,針對該問題本文主要從兩方面進行了相關的研究工作:(1)本文在對經(jīng)典的目標檢測網(wǎng)絡進行研究分析后,選擇了當下最為流行的多尺度卷積特征檢測的網(wǎng)絡...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 論文結構安排
    1.5 本章小結
第2章 關于深度學習目標檢測的相關理論基礎
    2.1 深度學習概述
    2.2 神經(jīng)網(wǎng)絡基礎理論
        2.2.1 神經(jīng)元基本模型
        2.2.2 前向傳播算法
        2.2.3 反向傳播算法
    2.3 卷積網(wǎng)絡的相關理論
        2.3.1 卷積網(wǎng)絡中的基本操作
        2.3.2 卷積神經(jīng)網(wǎng)絡模型
    2.4 深度學習的網(wǎng)絡模型
    2.5 深度學習相關的技術
    2.6 本章小結
第3章 基于SSD模型的目標檢測的研究與改進
    3.1 對SSD網(wǎng)絡模型的分析
        3.1.1 對選用的VGG主干網(wǎng)絡分析
        3.1.2 對SSD中各個卷積層的分析
    3.2 改進的SSD模型設計
        3.2.1 先驗框和損失函數(shù)的設計
        3.2.2 淺層卷積檢測層設計
    3.3 實驗驗證及分析
    3.4 本章小結
第4章 基于目標區(qū)域特征放大的改進SSD模型
    4.1 對改進的SSD網(wǎng)絡模型進一步分析
    4.2 對于SSD模型的網(wǎng)絡模型的設計
    4.3 淺層卷積層輸出的目標區(qū)域放大機制
    4.4 采用特征映射方法的最終網(wǎng)絡模型設計
        4.4.1 淺層特征輸出目標區(qū)域的調(diào)整機制
        4.4.2 網(wǎng)絡模型最終設計
    4.5 實驗驗證及分析
    4.6 本章總結
第5章 總結及展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文目錄



本文編號：3898644