發(fā)布時(shí)間：2023-09-24 16:54

　　目標(biāo)檢測(cè)作為當(dāng)下計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn),也是計(jì)算機(jī)視覺(jué)領(lǐng)域中最重要最具挑戰(zhàn)性的基礎(chǔ)任務(wù)之一,其在自動(dòng)駕駛、安防監(jiān)控、缺陷檢測(cè)等領(lǐng)域發(fā)揮著重要作用。近年來(lái)通過(guò)大量學(xué)者的理論研究,目標(biāo)檢測(cè)領(lǐng)域有著長(zhǎng)足的進(jìn)步。但在對(duì)小目標(biāo)物體的檢測(cè)、網(wǎng)絡(luò)對(duì)尺度變化的適應(yīng)性和網(wǎng)絡(luò)對(duì)特征的表達(dá)能力上還有一定的提升空間。針對(duì)上述問(wèn)題,本文通過(guò)分析基于特征金字塔結(jié)構(gòu)的雙階段目標(biāo)檢測(cè)算法的基本原理,在特征提取網(wǎng)絡(luò)結(jié)構(gòu)和特征融合結(jié)構(gòu)上進(jìn)行改進(jìn),提出一種對(duì)目標(biāo)尺度、場(chǎng)景變化和邊界形變具有強(qiáng)魯棒性的可變多尺度特征感知網(wǎng)絡(luò)Deformable Multiscale Feature Perception Network(DMFPN)。其中主要工作內(nèi)容如下:(1)可變多尺度特征感知網(wǎng)絡(luò)。針對(duì)小目標(biāo)問(wèn)題和目標(biāo)檢測(cè)任務(wù)的基本要求,為后續(xù)檢測(cè)任務(wù)提供更高分辨率的特征圖,本文在ResNet50網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改進(jìn),骨干網(wǎng)絡(luò)底層增加通道加空間注意力機(jī)制,網(wǎng)絡(luò)深層改進(jìn)殘差瓶頸模塊結(jié)構(gòu)并減少整個(gè)網(wǎng)絡(luò)的池化次數(shù),增強(qiáng)細(xì)節(jié)信息并保證檢測(cè)任務(wù)在較高分辨率特征圖上進(jìn)行。設(shè)計(jì)了一種可以提取并融合多尺度特征的可變多尺度特征融合模塊,對(duì)參加構(gòu)建特征金字塔結(jié)...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于人工特征的傳統(tǒng)目標(biāo)檢測(cè)算法
        1.2.2 基于深度學(xué)習(xí)方法的目標(biāo)檢測(cè)算法
    1.3 論文研究?jī)?nèi)容及章節(jié)安排
第2章 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法理論基礎(chǔ)
    2.1 引言
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 人工神經(jīng)元
        2.2.2 多層感知機(jī)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 歸一化層
        2.3.4 非線性映射層
        2.3.5 全連接層
    2.4 殘差網(wǎng)絡(luò)
    2.5 快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)
    2.6 本章小結(jié)
第3章 引入細(xì)化多尺度深度特征的目標(biāo)檢測(cè)算法
    3.1 特征金字塔結(jié)構(gòu)
    3.2 基于殘差網(wǎng)絡(luò)的FPN算法結(jié)構(gòu)
    3.3 可變多尺度特征感知網(wǎng)絡(luò)算法框架
    3.4 特征提取網(wǎng)絡(luò)
    3.5 通道加空間壓縮激勵(lì)模塊
        3.5.1 通道壓縮激勵(lì)模塊
        3.5.2 空間壓縮激勵(lì)模塊
    3.6 可變多尺度特征融合模塊
        3.6.1 偏移采樣模塊
        3.6.2 特征融合模塊
    3.7 本章小結(jié)
第4章 基于雙向特征金字塔結(jié)構(gòu)的DMFPN算法
    4.1 雙向特征金字塔結(jié)構(gòu)
    4.2 注意力上采樣模塊
    4.3 BN-IN聯(lián)合歸一化
        4.3.1 批歸一化
        4.3.2 實(shí)例歸一化
        4.3.3 結(jié)合BN-IN聯(lián)合歸一化的殘差瓶頸模塊
    4.4 損失函數(shù)
    4.5 非極大值抑制
    4.6 本章小結(jié)
第5章 實(shí)驗(yàn)與結(jié)果分析
    5.1 數(shù)據(jù)集介紹
    5.2 評(píng)價(jià)標(biāo)準(zhǔn)
    5.3 實(shí)驗(yàn)細(xì)節(jié)說(shuō)明
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 訓(xùn)練損失及精度曲線對(duì)比
        5.4.2 客觀評(píng)價(jià)指標(biāo)對(duì)比
    5.5 主觀評(píng)價(jià)方法
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3848388