基于卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別研究與實(shí)現(xiàn).pdf

1、物體識(shí)別是計(jì)算機(jī)視覺(jué)中的一個(gè)研究方向，也是當(dāng)前比較熱門的研究領(lǐng)域。在人們的需求不斷增長(zhǎng)的今天，物體識(shí)別在安全、科技、經(jīng)濟(jì)方面正在起著舉足輕重的作用，安防領(lǐng)域和交通監(jiān)管部門也對(duì)物體識(shí)別提出了迫切的要求，所以研究物體識(shí)別對(duì)社會(huì)的未來(lái)有非常重要的意義。2006年一種新的方法深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，標(biāo)志著以深度學(xué)習(xí)為新紀(jì)元的時(shí)代的到來(lái)，卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)方法之一，憑借著優(yōu)秀的性能和無(wú)限的潛力成為了競(jìng)相研究的對(duì)象，并且已經(jīng)在圖像識(shí)別領(lǐng)域取得巨大

2、的成功。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別已經(jīng)成為了物體識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)。
　　本論文重點(diǎn)闡述了一個(gè)改進(jìn)YOLO的卷積神經(jīng)網(wǎng)絡(luò)模型，改進(jìn)后網(wǎng)絡(luò)性能得到了較為明顯的提升，具體的工作如下：
　　1．改進(jìn)的模型修改了YOLO網(wǎng)絡(luò)的損失函數(shù)。改進(jìn)YOLO的模型將比例的形式替換了原有差值的形式。相對(duì)于舊的損失函數(shù)，新的損失函數(shù)顯得更加靈活，對(duì)網(wǎng)絡(luò)誤差的優(yōu)化更合理。
　　2．改進(jìn)的模型在YOLO網(wǎng)絡(luò)中增加了1×1的卷積核。這樣

3、就減少該層的參數(shù)數(shù)量，使網(wǎng)絡(luò)各層提取的特征過(guò)渡更加平滑。
　　3．改進(jìn)的模型采用了新的inception結(jié)構(gòu)。因?yàn)镮nception結(jié)構(gòu)本身就有加深和加寬網(wǎng)絡(luò)的能力，并且在增強(qiáng)網(wǎng)絡(luò)性能的同時(shí)，還能減少網(wǎng)絡(luò)參數(shù)的數(shù)量。
　　4．改進(jìn)的模型添加了一層時(shí)空金字塔下采樣層，這樣就能更充分地利用原圖像中的信息，增強(qiáng)網(wǎng)絡(luò)的識(shí)別性能。另外，由于時(shí)空金字塔下采樣層本身具有的優(yōu)勢(shì)，使得網(wǎng)絡(luò)在時(shí)間性能上也有提高。
　　最后，在pascal