本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的研究

  更多相關(guān)文章： 目標(biāo)檢測 卷積神經(jīng)網(wǎng)絡(luò) 部件檢測 隱式訓(xùn)練

【摘要】：目標(biāo)檢測已經(jīng)成為社會各領(lǐng)域的重要研究課題之一。傳統(tǒng)檢測模型通常采用人工特征提取方法獲得目標(biāo)的特征描述,然后輸入到一個分類器中學(xué)習(xí)分類規(guī)則。然而,人工特征提取方法比較復(fù)雜,對設(shè)計者提出了比較高的學(xué)術(shù)要求。其次,這些方法高度依賴于具體任務(wù),要求設(shè)計者有豐富的實(shí)際經(jīng)驗(yàn)。再次,這些方法也有各自的局限性,對應(yīng)用環(huán)境提出嚴(yán)格的假設(shè)前提,如小尺度、小角度的變化等等,在現(xiàn)實(shí)應(yīng)用中很難得到滿足。最后,傳統(tǒng)檢測模型分離了特征提取和分類訓(xùn)練。如果在特征描述中人工提取的特征對目標(biāo)不夠好,那些丟失的有用信息再也無法從分類訓(xùn)練中恢復(fù)出來。卷積神經(jīng)網(wǎng)絡(luò)是一種將多層人工神經(jīng)網(wǎng)絡(luò)和卷積運(yùn)算相結(jié)合的新型網(wǎng)絡(luò)。它通過卷積運(yùn)算讓計算機(jī)自動從圖像中提取目標(biāo)特征,這樣獲得的特征更自然,并且通用性好。同時,它對一定程度的扭曲形變有良好的魯棒性。另外,它采用了稀疏連接和權(quán)值共享,極大減少了神經(jīng)網(wǎng)絡(luò)模型的參數(shù)個數(shù)。然而,卷積神經(jīng)網(wǎng)絡(luò)需要對整個目標(biāo)進(jìn)行處理,對于一些復(fù)雜目標(biāo),模型需要大量的中間節(jié)點(diǎn),計算量大。其次,卷積神經(jīng)網(wǎng)絡(luò)只能進(jìn)行監(jiān)督學(xué)習(xí),所有訓(xùn)練樣本都需要事先正確標(biāo)注。另外,隨著網(wǎng)絡(luò)深度的增加,模型參數(shù)越來越難在各層之間有效地傳遞,這樣限制了參數(shù)的自適應(yīng)學(xué)習(xí)。所有這些不足阻礙了卷積神經(jīng)網(wǎng)絡(luò)模型的廣泛應(yīng)用。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的新型目標(biāo)檢測模型,有效地解決了這些問題。首先,本文模型采用了部件檢測模塊,將復(fù)雜目標(biāo)切分為多個部件分別檢測,降低了計算量。其次,本文提出了一種隱式訓(xùn)練方法,能夠訓(xùn)練模型從未標(biāo)注的樣本中確定隱藏變量的標(biāo)簽,進(jìn)而學(xué)習(xí)目標(biāo)的分類規(guī)則。最后,本文還提出了兩段式學(xué)習(xí)方案,借鑒“預(yù)訓(xùn)練”的思想逐步疊加網(wǎng)絡(luò)的規(guī)模,避免了參數(shù)學(xué)習(xí)受限。在公共的靜態(tài)行人檢測庫INRIA[1]和數(shù)字角點(diǎn)庫A-MNIST上的實(shí)驗(yàn)驗(yàn)證了本文模型優(yōu)于現(xiàn)有的主要檢測模型。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41;TP183

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 王雪光,郭艷兵,齊占慶;激活函數(shù)對BP網(wǎng)絡(luò)性能的影響及其仿真研究[J];自動化技術(shù)與應(yīng)用;2002年04期

，

本文編號：1286889