一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法研究.pdf

1、近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)以其較強(qiáng)的特征泛化能力在目標(biāo)識(shí)別任務(wù)中取得成功，并帶動(dòng)相關(guān)應(yīng)用的研究熱潮。大規(guī)模樣本數(shù)據(jù)與高性能計(jì)算機(jī)，是提升基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法性能的主要手段。目前已有改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)使用樣本目標(biāo)區(qū)域集構(gòu)建識(shí)別模型，從擴(kuò)大樣本數(shù)據(jù)的角度來(lái)提升識(shí)別性能。然而，區(qū)域集的質(zhì)量與數(shù)量對(duì)識(shí)別性能有著重要影響。因此，本文對(duì)區(qū)域集提取方法進(jìn)行改進(jìn)設(shè)計(jì)，來(lái)對(duì)特定應(yīng)用在非結(jié)構(gòu)化環(huán)境下的目標(biāo)識(shí)別問題進(jìn)行研究，以構(gòu)建低硬件成本下一種擴(kuò)展性強(qiáng)、

2、實(shí)時(shí)、高效的目標(biāo)識(shí)別方法。論文具體工作如下:
　　針對(duì)選擇搜索算法獲取的目標(biāo)區(qū)域集存在冗余的問題，本文在基于區(qū)域合并的分割算法的基礎(chǔ)上，對(duì)區(qū)域合并準(zhǔn)則進(jìn)行改進(jìn)設(shè)計(jì)，提出分層選擇搜索算法。該算法重點(diǎn)是在合并過程中使用多個(gè)互補(bǔ)的相似性度量加權(quán)構(gòu)成的組合相似性度量作為區(qū)域合并的評(píng)判標(biāo)準(zhǔn)，以獲取高質(zhì)量、低冗余區(qū)域集作為目標(biāo)或目標(biāo)部件的搜索空間。兩個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文算法在保證分割質(zhì)量的前提下，能有效減少冗余區(qū)域。
　　針對(duì)

3、低硬件成本下目標(biāo)識(shí)別時(shí)間較長(zhǎng)的問題，本文使用分層選擇搜索算法與改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種面向特定應(yīng)用的目標(biāo)識(shí)別方法。該方法重點(diǎn)在于采用分層選擇搜索算法進(jìn)行區(qū)域集提取，以降低處理冗余區(qū)域增加的開銷;然后采用大數(shù)據(jù)集上的預(yù)訓(xùn)練與小數(shù)據(jù)集上的微調(diào)求解網(wǎng)絡(luò)參數(shù)，降低訓(xùn)練成本及實(shí)現(xiàn)模型復(fù)用;最后使用微調(diào)后的網(wǎng)絡(luò)進(jìn)行樣本特征提取，并結(jié)合樣本類別標(biāo)記信息構(gòu)建分類器。在移動(dòng)產(chǎn)品圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法相較于采用選擇搜索的方法能有效降低識(shí)別時(shí)間