目標檢測是計算機視覺領域一個重要的研究方向,在各行各業(yè)都扮演著重要的角色。目標檢測運用不同機器學習方法來解決目標檢測中存在的各種問題,但是其仍然存在著各種挑戰(zhàn)。卷積神經網絡(CNN)是“黑盒子”的非線性分類器,能夠通過其分層結構自動地獲得圖像的高級特征。盡管如此,CNN并沒有提供較低層次特征之間的明確關系。因此,CNN可能會失去關于候選關系結構的潛在信息。而這些信息是能夠提高算法檢測準確性的重要信息。可變形部件模型(DPM)算法是圖形模型(馬爾可夫隨機場),使用一系列的部件以及部件的空間位置關系表示目標。在目標檢測中,DPM和CNN算法都有各自優(yōu)缺點,因此整合DPM和CNN是一個富有前途的方法。與此同時,似物性檢測算法能夠提供比滑動窗口搜索策略更少的候選窗口,從而減少目標檢測算法的復雜度。因此本文關注于如何將似物性檢測算法、CNN算法、DPM算法聯(lián)合起來,充分發(fā)揮三者優(yōu)勢,提升檢測效率和檢測精度。本文的主要內容包括:(1)BING算法是目前最快的似物性檢測算法,具有300fps的運行速度,在交并比閾值為0.5和取其前1000個候選窗口的前提下,其召回率為96.2%。然而,BING算法存在...

【文章頁數】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和研究意義
    1.2 目標檢測研究現狀
    1.3 本文的主要內容和章節(jié)安排
第二章 似物性檢測
    2.1 似物性的定義以及研究現狀
        2.1.1 似物性的定義和評價指標
        2.1.2 似物性檢測的研究現狀
    2.2 基于BING的似物性檢測算法
        2.2.1 BING算法的原理
        2.2.2 BING算法的發(fā)展
        2.2.3 BING算法的參數選擇
        2.2.4 實驗結果與分析
    2.3 本章小結
第三章 改進的DPM算法
    3.1 DPM算法的模型
    3.2 DPM算法的訓練
        3.2.1 LatentSVM模型的訓練
        3.2.2 單組件DPM模型的訓練
    3.3 BING算法與DPM算法的結合
        3.3.1 結合策略
        3.3.2 實驗結果與分析
    3.4 本章小結
第四章 快速深度DPM算法
    4.1 卷積神經網絡的相關知識
        4.1.1 人工神經元模型
        4.1.2 深度卷積特征提取
    4.2 深度DPM算法的原理
        4.2.1 特征提取網絡
        4.2.2 DPM-CNN結構
    4.3 快速深度DPM
        4.3.1 快速深度DPM的結構
        4.3.2 實驗結果與分析
    4.4 本章小結
總結與展望
參考文獻
攻讀學位期間發(fā)表論文
致謝



本文編號：4040799