發(fā)布時(shí)間：2024-02-24 19:02

　　零售行業(yè)一直是我國(guó)國(guó)民經(jīng)濟(jì)的重要部分。近年來(lái)由于線(xiàn)上交易的蓬勃發(fā)展,線(xiàn)下零售交易量日漸萎縮。但隨著新零售概念的提出,線(xiàn)上發(fā)展遇到瓶頸期,越來(lái)越多的企業(yè)重新關(guān)注到線(xiàn)下的發(fā)展。傳統(tǒng)結(jié)算方式需要大量的人工,效率低下且成本逐漸上升,需要新的技術(shù)改進(jìn)現(xiàn)有的條形碼結(jié)算方式。深度學(xué)習(xí)算法自2012年以來(lái)發(fā)展迅猛,以深度學(xué)習(xí)為基礎(chǔ)的圖像分類(lèi)、目標(biāo)檢測(cè)等算法也得到進(jìn)一步發(fā)展。在這種背景下,本文以新零售背景下的商品結(jié)算作為切入,研究了基于深度學(xué)習(xí)的商品檢測(cè)算法,以現(xiàn)烤面包店為交易場(chǎng)景,并對(duì)其中的部分檢測(cè)算法進(jìn)行優(yōu)化,從而提高檢測(cè)效果。本文主要以Faster R-CNN作為模型基礎(chǔ)算法,完成了一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)模型,通過(guò)部分優(yōu)化,在檢測(cè)精度方面相較原Faster R-CNN算法有了一定的提升。本文的主要工作如下:(1)首先對(duì)基礎(chǔ)網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn),將VGG16替換成檢測(cè)精度更高的ResNet網(wǎng)絡(luò),并以現(xiàn)實(shí)因素為考量選擇了 ResNet-50作為基礎(chǔ)網(wǎng)絡(luò)。然后受到GoogLeNet Inception思想的啟發(fā),對(duì)ResNet網(wǎng)絡(luò)進(jìn)行優(yōu)化。原始的卷積層特征提取效果有限,我們希望可以增加殘差網(wǎng)絡(luò)感受野的豐富度,設(shè)計(jì)了不...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２卷積過(guò)程示意??２．１．２激活函數(shù)??

?山東大學(xué)碩士學(xué)位論文??１，１?１．０．０?ｕ，ｎｕ〇［〇￣??０?１１１０?１０?１?〇?＇?１．：?＾?１?〇??ｃｏｉｌ?１?＊?？?Ｉ?？?＝?＼?ＴＴ??〇：〇?１?Ｉ?〇?Ｋ〇＾ｒ〇??（，．＂＇（）：（）?ＥＨｍＫ??雉入圖像的矩Ｋ?卷積核?第一步？積??ＪＴ??....

圖２－３池化操作過(guò)程??

山東大學(xué)碩士學(xué)位論文??還有局部旋轉(zhuǎn)不變的特性，即使像素發(fā)生了微小位移變化，池化的輸出仍然不變，??因此模型的魯棒性也得到提升。平均池化以及最大池化是常見(jiàn)的兩種操作。下圖??２－３所示的是兩類(lèi)池化的具體過(guò)程。????１?沿人池化?６?ｇ??２?６?３?１??Ｋ??４?３??４?５....

圖２－５?ＶＧＧ１６為基礎(chǔ)網(wǎng)絡(luò)的Ｆａｓｔｅｒ－ＲＣＮＮ??２．２．１卷積網(wǎng)絡(luò)特征提取??

山東大學(xué)碩士學(xué)位論文??

圖２－７錨點(diǎn)窗口微調(diào)示意圖??１８??

?山東大學(xué)碩士學(xué)位論文??卷積核滑窗形成原本已設(shè)計(jì)的尺寸存在差異的分?jǐn)?shù)以及錨點(diǎn)窗口位置，將分?jǐn)?shù)最??大的錨點(diǎn)窗口即選取成候選窗口。自然場(chǎng)景文本檢測(cè)算法［３９］中也應(yīng)用了區(qū)域推薦??思想并取得了不錯(cuò)的效果。??錨點(diǎn)窗口結(jié)構(gòu)詳見(jiàn)下圖２－６，下圖中存在９個(gè)錨點(diǎn)窗口，全部都是下圖西北??....

本文編號(hào)：3909478