我國國土面積龐大,有著極長的邊境線和海岸線。邊境防衛(wèi)承擔著保家衛(wèi)國的重要使命。目前,我國邊海防地區(qū)部署了大量的攝像頭等視頻采集設備,基本采用邊海防戰(zhàn)士人工處理上報方式對采集的視頻進行處理,效率極其低下,不能滿足邊海防御要求。利用計算機視覺的傳統(tǒng)目標檢測方法處理視頻數據,過于依賴先驗知識,當目標存在形變、環(huán)境光照等變化時,方法的魯棒性不高,不符合邊境防衛(wèi)精確檢測目標的要求。當前隨著大數據、云計算和人工智能技術的發(fā)展,尤其是以深度學習算法為基礎的自動目標檢測與識別技術的進步,使得利用深度學習方法來對邊海防圖像中的目標進行檢測成為了可能。本文開展了基于深度學習的邊海防圖像目標檢測方法研究,主要完成工作如下:（1）首先對基于深度學習的目標檢測及其相關技術理論進行了綜述,并系統(tǒng)的介紹了基于候選區(qū)域的目標檢測框架Faster RCNN。（2）提出了一種改進的基于候選區(qū)域（region-based）的深度學習目標檢測方法。首先,通過對原有的分類結構添加SE（Squeeze-and-Excitation）模塊來提高卷積通道之間的相關性,使用可變形卷積替代原有特征提取結構特有卷積層中的卷積模塊,提高目標... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數】：74 頁

【學位級別】：碩士

【部分圖文】：

卷積神經網絡結構

輸出特征圖N種濾波器圖2.2 卷積操作示意圖卷積層的參數由一組可學習的濾波器組成，每個濾波器占據很小的空間，每一種濾波器都可以學習一類特征，這些濾波器對給定的輸入量會提取相應的視覺特征，比如在第一層或低層中，濾波器會得到某個方向的邊緣特征，或者某個顏色的特征，而在網絡的高層中，濾波器會學習到更具體的語義信息。在每個卷積層中都有一組完整的濾波器，每個濾波器將生成一個獨立的二維映射特征圖，通

原始特征圖池化特征圖圖2.3 池化操作示意圖（2）全連接層CNN 的最后幾層結構一般是全連接層，在整個 CNN 網絡中起到分類器的作用[36]，其結構如圖 2.4 所示。如果說卷積、池化和激活函數等操作的作用是將原始輸入數據映射到隱層特征空間的話，那么全連接層則起到將學習到的特征映射到樣本標記空間的作用。 l l l 1lX W X b (2.5)其中， x 表示激活函數，l1X 表示上一層輸入，lb 表示對應的偏置。....池化特征圖全連接層........全連接層圖2.4 全連接層

【參考文獻】：
期刊論文
[1]基于卷積神經網絡的目標檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機應用研究. 2017(10)
[2]基于卷積神經網絡的軍事圖像分類[J]. 高惠琳.  計算機應用研究. 2017(11)
[3]基于深度卷積神經網絡的行人檢測[J]. 芮挺,費建超,周遊,方虎生,朱經緯.  計算機工程與應用. 2016(13)
[4]深度學習研究進展[J]. 郭麗麗,丁世飛.  計算機科學. 2015(05)
[5]基于級聯(lián)卷積網絡的自然場景下的車牌檢測[J]. 閆鵬,牛常勇,范明.  計算機工程與設計. 2014(12)
[6]基于卷積神經網絡的植物葉片分類[J]. 龔丁禧,曹長榮.  計算機與現代化. 2014(04)
[7]從產品和系統(tǒng)談邊防監(jiān)控的實現[J]. 范春陽.  中國公共安全(市場版). 2007(09)
[8]人類視覺注意機制在目標檢測中的應用[J]. 桑農,李正龍,張?zhí)煨?  紅外與激光工程. 2004(01)

博士論文
[1]基于深層結構的圖像內容分析及其應用[D]. 楊奎元.中國科學技術大學 2012

碩士論文
[1]基于卷積神經網絡的監(jiān)控視頻車型識別系統(tǒng)設計與實現[D]. 曾俊東.西南交通大學 2017
[2]智能交通系統(tǒng)中行人檢測算法的研究[D]. 張義德.哈爾濱理工大學 2017
[3]基于卷積神經網絡的電商圖片物體識別[D]. 孫俊.電子科技大學 2016
[4]基于Caffe深度學習框架的卷積神經網絡研究[D]. 楊楠.河北師范大學 2016
[5]基于卷積神經網絡的物體識別研究與實現[D]. 楊眷玉.電子科技大學 2016
[6]車載輔助系統(tǒng)中禁令交通標志的識別研究[D]. 余進程.廣東工業(yè)大學 2014
[7]卷積神經網絡的并行化研究[D]. 凡保磊.鄭州大學 2013
[8]卷積神經網絡在圖像識別上的應用的研究[D]. 許可.浙江大學 2012
[9]車牌識別與車輛排隊長度的研究[D]. 朱孝山.山西大學 2011
[10]反卷積網絡圖像表述與復原[D]. 陳揚鈦.國防科學技術大學 2011



本文編號：3037774