基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)技術(shù)研究.pdf

1、隨著目前計(jì)算機(jī)視覺(jué)技術(shù)的不斷發(fā)展，目標(biāo)檢測(cè)作為計(jì)算機(jī)領(lǐng)域中最重要的一部分，同時(shí)也在智能交通、圖像檢索、信息采集多個(gè)領(lǐng)域有著重要的地位。然而很多傳統(tǒng)的目標(biāo)檢測(cè)算法都是基于手工設(shè)計(jì)的特征和小訓(xùn)練樣本的，往往受到光照、遮擋、環(huán)境變化因素等眾多因素的影響，進(jìn)而影響了目標(biāo)檢測(cè)算法的性能。
　　而近幾年發(fā)展越來(lái)越火熱的深度學(xué)習(xí)作為一個(gè)有力的工具能幫助人們實(shí)現(xiàn)更好地在目標(biāo)檢測(cè)領(lǐng)域進(jìn)行研究和探索。深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域以極大的優(yōu)勢(shì)超越了傳統(tǒng)視覺(jué)算

2、法，通過(guò)在大數(shù)據(jù)下自主學(xué)習(xí)得到的特征，不僅在數(shù)量上更是在性能上遠(yuǎn)遠(yuǎn)超出了人手工設(shè)計(jì)的算法特征。雖然深度學(xué)習(xí)有著傳統(tǒng)視覺(jué)算法不能比擬的性能優(yōu)勢(shì)，但是深度學(xué)習(xí)的缺點(diǎn)也是顯而易見(jiàn)。深度學(xué)習(xí)中越深層的模型包含了越多的參數(shù)，帶來(lái)了計(jì)算量的大幅提升，導(dǎo)致無(wú)法實(shí)時(shí)運(yùn)行。這對(duì)于將深度學(xué)習(xí)技術(shù)應(yīng)用于人們的日常生活帶來(lái)了諸多困難。龐大的計(jì)算量需求導(dǎo)致了深度學(xué)習(xí)不能實(shí)時(shí)的運(yùn)行在嵌入式或是手持設(shè)備中。為了解決這個(gè)問(wèn)題本文提出了基于模型中卷積核濾波器篩選策略的模

3、型精簡(jiǎn)以及端到端的目標(biāo)檢測(cè)方法，具體工作內(nèi)容如下：
　?。?）針對(duì)目前深度學(xué)習(xí)模型中參數(shù)繁多、運(yùn)算耗時(shí)久、占用體積大的問(wèn)題，本文提出了一種基于平均響應(yīng)值A(chǔ)verage Response Energy(ARE)的卷積核濾波器篩選策略，主要是將深度模型中貢獻(xiàn)度低的卷積核濾波器從原模型中移除，可以大量的減少原模型的權(quán)重參數(shù)，進(jìn)而減少模型的占用體積與計(jì)算量。在本文的三個(gè)公共數(shù)據(jù)集上，實(shí)驗(yàn)結(jié)果也是表明了基于平均響應(yīng)值的卷積核濾波器篩選策略對(duì)