隨著現(xiàn)代科技的高速發(fā)展,智能化與數(shù)字化的車輛檢測技術受到了前所未有的關注。近十年,基于深度學習的圖像目標檢測算法取得了突破性進展。在復雜場景下,具有良好的魯棒性。本文設計一套輔助無人駕駛的車輛目標檢測系統(tǒng),以對高速行駛中的車輛進行準確、高效、自動化的目標檢測跟蹤。本文對目標檢測算法進行研究,選用了在檢測精度方面表現(xiàn)較好的基于深度學習的Faster R-CNN（Faster Region-based Convolutional Neural Networks）模型作為基礎,引入多尺度和注意力機制對其改進,并進行了試驗驗證。本文主要研究內(nèi)容及改進如下:1、對復雜場景的車輛數(shù)據(jù)集進行了收集擴充,并使用數(shù)據(jù)增強及人為干預做數(shù)據(jù)增廣。實驗了不同的車輛檢測模型算法,并對其算法原理進行了比較分析。考慮到不同算法適應的數(shù)據(jù)集有差異,故對國內(nèi)外數(shù)據(jù)集以及數(shù)據(jù)擴充后的數(shù)據(jù)集進行合并訓練,最后對算法模型的實時檢測效果進行對比。2、引入注意力機制和多尺度,從而使算法適用于更復雜的場景。對模型進行多尺度特征提取,而后將圖像特征信息融合進行推理預測,以此提高模型檢測時的抗干擾能力�？紤]到時間信息等語義特征,模型加... 

【文章來源】：華東師范大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國內(nèi)外相關技術概述
    1.3 本文主要研究內(nèi)容
    1.4 創(chuàng)新與不足
    1.5 結構安排
第二章 基于卷積神經(jīng)網(wǎng)絡的車輛識別算法
    2.1 卷積神經(jīng)網(wǎng)絡基礎
    2.2 CNN圖像分類模型
    2.3 CNN目標檢測算法模型
    2.4 卷積神經(jīng)網(wǎng)絡訓練
    2.5 本章小結
第三章 注意力模型機制
    3.1 深度學習中的Attention機制
    3.2 空間注意力機制
    3.3 本章小結
第四章 基于注意力機制的多尺度目標檢測網(wǎng)絡
    4.1 常用深度學習目標檢測算法
    4.2 連接模塊設計
    4.3 目標檢測網(wǎng)絡
    4.4 實驗結果與分析
    4.5 小結
第五章 總結與展望
    5.1 全文總結
    5.2 后續(xù)工作展望
參考文獻
致謝



本文編號：3019895