資源描述：
《基于深度學(xué)習(xí)的目標(biāo)檢測算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、廣東工業(yè)大學(xué)碩士學(xué)位論文（工學(xué)碩士）基于深度學(xué)習(xí)的目標(biāo)檢測算法研究溫捷文二〇一八年五月分類號：學(xué)校代號：11845UDC：密級：學(xué)號：2111505037廣東工業(yè)大學(xué)碩士學(xué)位論文（工學(xué)碩士）基于深度學(xué)習(xí)的目標(biāo)檢測算法研究溫捷文校內(nèi)導(dǎo)師姓名、職稱:戰(zhàn)蔭偉教授學(xué)科(專業(yè))或領(lǐng)域名稱:計算機(jī)科學(xué)與技術(shù)學(xué)生所屬學(xué)院:計算機(jī)學(xué)院論文答辯日期:二〇一八年五月ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster(MasterofEnginee
2、ringScience)ResearchonObjectDetectionwithDeepLearningCandidate:JiewenWenSupervisor:Prof.YinweiZhanMay2018SchoolofComputerScienceandTechnologyGuangdongUniversityofTechnologyGuangzhou,Guangdong,P.R.China,510006摘要摘要目標(biāo)檢測，即在圖像或者視頻序列中定位出目標(biāo)對象的所在位置并決定這些目標(biāo)對象的所屬類別。它是近年來計算機(jī)視覺
3、、模式識別等領(lǐng)域的一個研究熱點，在智能監(jiān)控、人臉識別、人流檢測等工業(yè)應(yīng)用中日趨普遍。隨著深度學(xué)習(xí)的興起與其在計算機(jī)視覺領(lǐng)域的密切結(jié)合，目標(biāo)檢測領(lǐng)域出現(xiàn)了一批優(yōu)秀的新算法。這些算法或在檢測精度，或在實時性方面有突出的性能表現(xiàn)。本文圍繞目標(biāo)檢測算法，系統(tǒng)研究了深度學(xué)習(xí)與其在目標(biāo)檢測算法的應(yīng)用，并對目標(biāo)檢測兩個經(jīng)典算法YOLO(YouLookOnlyOnce)和SSD(SingleShotMultiBoxDetector)做出改進(jìn)。本文主要貢獻(xiàn)包括：(1)對卷積神經(jīng)網(wǎng)絡(luò)的基本運算和基本部件進(jìn)行歸納總結(jié)。本文總結(jié)了目標(biāo)檢測算法研究必
4、要的深度學(xué)習(xí)理論基礎(chǔ)，包括常用層、激活函數(shù)、目標(biāo)函數(shù)和正則化等。本文的兩個檢測模型YOLO和SSD，分別在Darknet和VGG卷積神經(jīng)網(wǎng)絡(luò)分類模型的基礎(chǔ)上連接檢測算子微調(diào)而成。卷積神經(jīng)網(wǎng)絡(luò)是這兩個檢測算法框架的重要組成部分。(2)提出YOLO算法的批再規(guī)范化處理算法。本文結(jié)合批再規(guī)范化算法處理小批樣本以及非獨立同分布數(shù)據(jù)的優(yōu)勢，引入批再規(guī)范化處理對YOLO網(wǎng)絡(luò)結(jié)構(gòu)予以改進(jìn)：即把卷積層中經(jīng)卷積運算產(chǎn)生的特征圖看作神經(jīng)元，并對其進(jìn)行批再規(guī)范化處理。同時，在網(wǎng)絡(luò)結(jié)構(gòu)中移除Dropout，并增大網(wǎng)絡(luò)模型訓(xùn)練的學(xué)習(xí)率。實驗結(jié)果表明，
5、該改進(jìn)YOLO算法相對于原YOLO算法具有更高的檢測精度、更快的實時檢測速度以及通過適當(dāng)設(shè)置批樣本大小可使網(wǎng)絡(luò)模型在訓(xùn)練時間和硬件設(shè)備方面成本有一定的降低。(3)提出一種加強(qiáng)SSD小目標(biāo)檢測能力的Atrous濾波器設(shè)計。改進(jìn)算法在SSD網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，把第三、四層卷積層產(chǎn)生的特征圖經(jīng)過規(guī)范化后連接在一起，然后通過Atrous卷積運算提高這些特征圖分辨率。這些特征圖共同提供小目標(biāo)的所需的特征。另外該SSD改進(jìn)算法還加入SeLU(ScaledExponentialLinearUnits)激活函數(shù)，并在數(shù)據(jù)預(yù)處理階段設(shè)計了一套數(shù)
6、據(jù)增廣方法。實驗表明，該改進(jìn)算法框架I廣東工業(yè)大學(xué)碩士學(xué)位論文相對于原SSD算法框架具有更高的檢測精度，更優(yōu)良的魯棒性以及更明顯的小目標(biāo)檢測效果。關(guān)鍵詞：目標(biāo)檢測；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；規(guī)范化；YOLO；SSDIIABSTRACTABSTRACTObjectdetectionistodeterminethetargets’locationandcategoryinoneimageorvideosequence.Itisaresearchhotspotincomputervisionandpatternrecognition
7、inrecentyearsandbecomingmoreandmorecommoninindustrialapplicationssuchasintelligentmonitoring,facerecognitionandpedestriandetection.Anumberofexcellentnewobjectdetectionalgorithmshaveemergedwiththeriseofdeeplearninganditsdeepapplyinthefieldofcomputervision.Thesealgor
8、ithmshaveoutstandingperformanceindetectingaccuracyoritsreal-timespeed.Thisthesisfocusontheobjectdetectionalgorithmsanditsrelatedfieldlikedeeplear
