基于深度學習的快速目標檢測技術研究.pdf

1、隨著目前計算機視覺技術的不斷發(fā)展，目標檢測作為計算機領域中最重要的一部分，同時也在智能交通、圖像檢索、信息采集多個領域有著重要的地位。然而很多傳統(tǒng)的目標檢測算法都是基于手工設計的特征和小訓練樣本的，往往受到光照、遮擋、環(huán)境變化因素等眾多因素的影響，進而影響了目標檢測算法的性能。
　　而近幾年發(fā)展越來越火熱的深度學習作為一個有力的工具能幫助人們實現(xiàn)更好地在目標檢測領域進行研究和探索。深度學習在目標檢測領域以極大的優(yōu)勢超越了傳統(tǒng)視覺算

2、法，通過在大數(shù)據(jù)下自主學習得到的特征，不僅在數(shù)量上更是在性能上遠遠超出了人手工設計的算法特征。雖然深度學習有著傳統(tǒng)視覺算法不能比擬的性能優(yōu)勢，但是深度學習的缺點也是顯而易見。深度學習中越深層的模型包含了越多的參數(shù)，帶來了計算量的大幅提升，導致無法實時運行。這對于將深度學習技術應用于人們的日常生活帶來了諸多困難。龐大的計算量需求導致了深度學習不能實時的運行在嵌入式或是手持設備中。為了解決這個問題本文提出了基于模型中卷積核濾波器篩選策略的模

3、型精簡以及端到端的目標檢測方法，具體工作內容如下：
　?。?）針對目前深度學習模型中參數(shù)繁多、運算耗時久、占用體積大的問題，本文提出了一種基于平均響應值Average 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重參數(shù)，進而減少模型的占用體積與計算量。在本文的三個公共數(shù)據(jù)集上，實驗結果也是表明了基于平均響應值的卷積核濾波器篩選策略對