發(fā)布時間：2024-03-03 12:52

　　目標檢測是指對圖片中的目標進行定位和分類。目標檢測是計算機視覺的核心,在圖像識別、大規(guī)模場景識別等方面得到了廣泛應(yīng)用。深度學習方法在目標檢測領(lǐng)域應(yīng)用廣泛,并取得了遠超傳統(tǒng)方法的效果�；�于深度學習的目標檢測方法可分為基于區(qū)域建議的方法和無區(qū)域建議的方法。區(qū)域建議方法在圖片上生成大量候選區(qū)域,將可能包含物體的區(qū)域作為建議區(qū)域,之后再對建議區(qū)域進行分類,無區(qū)域建議的方法則直接回歸得到物體的位置和類別�；�于區(qū)域建議的方法通常具有更高的精度和魯棒性,因此本文主要研究了基于區(qū)域建議的檢測方法。區(qū)域建議網(wǎng)絡(luò)是一種常用的區(qū)域建議方法,首先通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)特征提取,再利用特征信息回歸出高質(zhì)量的建議區(qū)域。區(qū)域建議網(wǎng)絡(luò)提升了建議區(qū)域的質(zhì)量并減少了建議區(qū)域的數(shù)量,因此區(qū)域建議網(wǎng)絡(luò)大幅提升了檢測的速度和精度。但區(qū)域建議網(wǎng)絡(luò)只利用了單一尺度的特征圖,單一尺度的特征圖中包含的信息不足,因此區(qū)域建議網(wǎng)絡(luò)對于較小物體的檢測效果較差。本文在總結(jié)深度學習中常用的多尺度方法和注意力機制的基礎(chǔ)上,對深度神經(jīng)網(wǎng)絡(luò)中的特征融合方法進行了深入研究,提出在一種能高效利用多尺度信息的區(qū)域建議網(wǎng)絡(luò),該方法被稱為基于多尺度的區(qū)域建議網(wǎng)絡(luò)...

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【部分圖文】：

圖2.1單階段目標檢測的一般流程圖

湖北工業(yè)大學碩士學位論文8第2章相關(guān)理論基礎(chǔ)本文的主要工作是在目標檢測任務(wù)的背景下，研究基于深度學習的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計與特征提取方法。深度學習是機器學習的一種，其借助多層任務(wù)模塊完成學習任務(wù)。算法以數(shù)據(jù)的原始形態(tài)作為算法輸入，深度學習網(wǎng)絡(luò)負責學習將數(shù)據(jù)抽象為特征，再從特征到任務(wù)目標的....

圖2.2雙階段目標檢測的一般流程圖

湖北工業(yè)大學碩士學位論文9而雙階段網(wǎng)絡(luò)則認為應(yīng)當先解決第一個任務(wù)，再進一步解決第二個、第三個任務(wù)。雙階段目標檢測的流程如如圖2.2所示。雙階段檢檢測網(wǎng)絡(luò)由兩個神經(jīng)網(wǎng)絡(luò)組成，分為第一階段網(wǎng)絡(luò)和第二階段網(wǎng)絡(luò)。第一階段網(wǎng)絡(luò)負責給出區(qū)域建議，判斷出可能存在目標物體的區(qū)域，第二階段網(wǎng)絡(luò)則負....

圖2.3錨點機制與訓練樣本生成

湖北工業(yè)大學碩士學位論文11在不同算法中，對錨點機制的使用方式有些許不同。但總的來說，引入錨點機制有兩個好處。第一，降低網(wǎng)絡(luò)的學習難度。錨點類似于一種先驗信息，網(wǎng)絡(luò)只需要利用局部的特征來判斷錨點周圍是否有物體，錨點的位置是否應(yīng)該進行微調(diào)，這與卷積神經(jīng)網(wǎng)絡(luò)的工作方式保持了高度一致，....

圖2.4FasterRCNN的流程與網(wǎng)絡(luò)結(jié)構(gòu)圖

湖北工業(yè)大學碩士學位論文142.3.1Faster-Rcnn的整體流程Faster-Rcnn是一種雙階段檢測網(wǎng)絡(luò)，可分為區(qū)域建議網(wǎng)絡(luò)和興趣區(qū)域分類網(wǎng)絡(luò)。區(qū)域建議網(wǎng)絡(luò)負責產(chǎn)生候選框，候選框是指挑選出可能包含目標物體的錨框，并對其進行粗略調(diào)整后得到的結(jié)果。興趣區(qū)域分類網(wǎng)絡(luò)負責對候選框....

本文編號：3917807