基于改进SSD模型面向中小目标的检测研究

发布时间：2024-02-14 21:26

　　随着近几年人工智能的兴起以及快速的发展,深度学习的研究方法逐步的和一些计算机领域的传统研究方向深度融合,取得了一些不错的成果。计算机视觉领域是深度学习最早取得突破的领域。随着计算机硬件的发展,计算机硬件能力的提升和成本的降低也使得深度学习所需的计算能力更易于获取。在计算机视觉领域中不断地有各种关于卷积神经网络在目标识别上的应用,从最早出现的Alex Net网络模型到如今基于端到端的SSD网络模型,关于目标识别的研究获得了快速的发展。基于深度学习的目标检测技术由于具有可靠的优势,即更高的准确率、以及更强的鲁棒性,同时还有实时性,逐渐取代了传统的目标检测技术。但是,面对新的技术变革就有产生新的挑战,随着复杂场景的出现,由于深度学习所训练的数据集大部分是基于现有的数据集进行训练和预测的,因此往往在针对中小目标占比的特征信息进行预测时会遗漏很多细节特征,从而导致相关的网络模型的检测能力受到制约。这也成为了提升并优化网络模型时所必须面对的一个关键问题。因此,针对该问题本文主要从两方面进行了相关的研究工作:(1)本文在对经典的目标检测网络进行研究分析后,选择了当下最为流行的多尺度卷积特征检测的网络...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 本文的主要工作
    1.4 论文结构安排
    1.5 本章小结
第2章 关于深度学习目标检测的相关理论基础
    2.1 深度学习概述
    2.2 神经网络基础理论
        2.2.1 神经元基本模型
        2.2.2 前向传播算法
        2.2.3 反向传播算法
    2.3 卷积网络的相关理论
        2.3.1 卷积网络中的基本操作
        2.3.2 卷积神经网络模型
    2.4 深度学习的网络模型
    2.5 深度学习相关的技术
    2.6 本章小结
第3章 基于SSD模型的目标检测的研究与改进
    3.1 对SSD网络模型的分析
        3.1.1 对选用的VGG主干网络分析
        3.1.2 对SSD中各个卷积层的分析
    3.2 改进的SSD模型设计
        3.2.1 先验框和损失函数的设计
        3.2.2 浅层卷积检测层设计
    3.3 实验验证及分析
    3.4 本章小结
第4章 基于目标区域特征放大的改进SSD模型
    4.1 对改进的SSD网络模型进一步分析
    4.2 对于SSD模型的网络模型的设计
    4.3 浅层卷积层输出的目标区域放大机制
    4.4 采用特征映射方法的最终网络模型设计
        4.4.1 浅层特征输出目标区域的调整机制
        4.4.2 网络模型最终设计
    4.5 实验验证及分析
    4.6 本章总结
第5章 总结及展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3898644