目標檢測技術是眾多計算機視覺任務中的關鍵技術之一,在交通、安防、軍事、醫(yī)療等眾多領域發(fā)揮著重要作用。然而設計精準、快速的深度學習檢測模型仍是首要的解決的困難。依賴強大有效的復雜模型勢必會引起計算量的激增,導致實時性較差;然而簡潔快速的網(wǎng)絡結構會使得模型檢測準確度的下降。針對上述問題,本文分別從提升檢測準確度和檢測速度兩方面做了以下探究。首先以端到端檢測的單次多目標檢測器（Single Shot MultiBox Detector,SSD）為基礎架構,進行檢測準確度的優(yōu)化。SSD檢測模型有著較好的檢測實時性,但由于網(wǎng)絡結構本身限制使其未能充分利用不同卷積中的特征信息,使得在小目標檢測方面魯棒性不足�；诖�,設計了多尺度特征復用（Multi-level Feature Reused,MFR）模塊并提出了MFRDet檢測模型。MFRDet把不同卷積層聯(lián)系在一起,采用多尺度輸出共同參與最終預測。MFR模塊復用了七個不同分辨率特征圖中蘊含的信息,均衡了模型的深層卷積網(wǎng)絡中高級語義信息和淺層卷積網(wǎng)絡中局部信息的分布,實現(xiàn)了較高的檢測精度。然后采用深度學習模型壓縮的方法,提升MFRDet模型的檢測速... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

最后一層特征圖預測

采用FPN結構預測

SSD 類型多尺度預測

【參考文獻】：
期刊論文
[1]采用卷積核金字塔和空洞卷積的單階段目標檢測[J]. 劉濤,汪西莉.  中國圖象圖形學報. 2020(01)
[2]多尺度特征圖融合的目標檢測[J]. 姜文濤,張馳,張晟翀,劉萬軍.  中國圖象圖形學報. 2019(11)
[3]基于深度學習的智能人群監(jiān)控系統(tǒng)[J]. 向建,佟建朋,徐陽,陸思翔,劉宏清.  電子世界. 2019(16)
[4]基于深度學習的車牌定位和識別方法[J]. 李祥鵬,閔衛(wèi)東,韓清,劉瑞康.  計算機輔助設計與圖形學學報. 2019(06)
[5]多維特征融合與Adaboost-SVM的車輛識別算法[J]. 崔鵬宇.  控制工程. 2019(03)
[6]基于深度學習的行人重識別研究進展[J]. 羅浩,姜偉,范星,張思朋.  自動化學報. 2019(11)
[7]深度學習在基于單幅圖像的物體三維重建中的應用[J]. 陳加,張玉麒,宋鵬,魏艷濤,王煜.  自動化學報. 2019(04)
[8]改進的非極大值抑制算法的目標檢測[J]. 趙文清,嚴海,邵緒強.  中國圖象圖形學報. 2018(11)
[9]基于深度學習的橋梁裂縫檢測算法研究[J]. 李良福,馬衛(wèi)飛,李麗,陸鋮.  自動化學報. 2019(09)
[10]基于深度卷積神經(jīng)網(wǎng)絡的目標檢測技術的研究進展[J]. 王慧玲,綦小龍,武港山.  計算機科學. 2018(09)



本文編號：3227894