基于卷积神经网络的图像目标检测技术研究

发布时间：2023-02-12 13:10

　　图像目标检测是计算机视觉领域最重要,也最具有挑战性的难题之一,它为更高层次的视觉任务做准备。图像特征提取是图像目标检测的关键。卷积神经网络可以从大量图像数据中自动学习出目标检测所需的特征,避免了人工设计特征的复杂过程。并且可以适应目标平移、目标缩放、目标形变以及目标所处环境的变化。因此,基于卷积神经网络的目标检测算法正受到越来越多人的关注。但是现有的经典网络在检测多尺度目标,特别是小目标时仍然存在困难,本文针对这些问题对网络做改进,并将它应用于遥感图像飞机检测,说明本文的研究工作具有非常重要的理论研究意义和工程应用价值。本文主要研究基于卷积神经网络的目标检测技术,对Two-stage的目标检测器做改进,以提升它们对图像目标的检测效果。论文的主要工作和成果如下:1、针对卷积神经网络对小目标检测效果较差的问题。本文利用卷积神经网络不同层的多尺度特征,提出了一种构建语义金字塔特征的新方法,并用该方法构建了一个新的语义金字塔特征,目标候选区域的分类和回归都在该金字塔特征上进行,增强了算法对小目标的检测性能。2、针对传统卷积神经网络的目标候选区域特征过于简单的问题,本文利用卷积神经网络卷积层的跨...

【文章页数】：90 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 图像目标检测研究现状
        1.2.1 传统图像目标检测算法研究现状
        1.2.2 基于卷积神经网络的图像目标检测算法研究现状
    1.3 论文主要内容及章节安排
        1.3.1 主要研究内容
        1.3.2 论文章节安排
第二章 面向图像目标检测的深度卷积神经网络基本原理
    2.1 引言
    2.2 卷积神经网络的基本结构
        2.2.1 卷积层
        2.2.2 激活函数层
        2.2.3 池化层
        2.2.4 全连接层
        2.2.5 softmax层
    2.3 面向图像目标检测的卷积神经网络
        2.3.1 基于卷积神经网络的图像目标检测流程
        2.3.2 卷积神经网络的训练方法
        2.3.3 优化算法
    2.4 经典的目标检测模型
        2.4.1 Faster R-CNN
        2.4.2 R-FCN
        2.4.3 目标检测算法的评价标准
    2.5 小结
第三章 面向图像目标检测的CNN多尺度特征融合技术研究
    3.1 引言
    3.2 传统卷积神经网络用于图像目标检测的缺点
    3.3 基于卷积神经网络多尺度特征融合的目标检测
        3.3.1 多尺度特征融合方法
        3.3.2 特征提取模块的设计
    3.4 实验与分析
        3.4.1 实验数据集
        3.4.2 实验环境设置
        3.4.3 实验结果与分析
    3.5 小结
第四章 基于Maxout R-CNN的目标检测技术研究
    4.1 引言
    4.2 面向图像目标检测的传统CNN目标候选区域特征获取
        4.2.1 目标候选区域精选
        4.2.2 传统CNN目标候选区域特征获取的缺陷
    4.3 基于Maxout R-CNN的图像目标检测
        4.3.1 Ro I-scale Pooling层
        4.3.2 Maxout层
        4.3.3 基于Maxout R-CNN的目标候选区域特征获取
    4.4 实验与分析
        4.4.1 实验环境设置
        4.4.2 Faster R-CNN的实验结果
        4.4.3 FPN的实验结果
    4.5 小结
第五章 基于CNN多尺度特征融合和Maxout R-CNN的遥感图像目标检测
    5.1 引言
    5.2 用于遥感图像目标检测的卷积神经网络基本架构
    5.3 遥感图像预处理
        5.3.1 裁剪遥感图像
        5.3.2 k-means聚类目标真值框
    5.4 实验与分析
        5.4.1 实验数据集
        5.4.2 实验环境设置
        5.4.3 实验结果与分析
    5.5 小结
结束语
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3741169