畢業(yè)設計(論文)+計算機科學與技術專業(yè)+基于深度學習的圖像目標類別檢測研究與實現(xiàn)--孔冬榮20160522

1、圖書分類號：密級：畢業(yè)設計(論文)基于深度學習的圖像目標類別檢測研究與實現(xiàn)RESEARCHIMPLEMENTATIONOFIMAGEOBJECTCATEGYDETECTIONBASEDONDEEPLEARNING學生姓名學院名稱信電工程學院學號班級專業(yè)名稱計算機科學與技術指導教師II摘要大數(shù)據(jù)時代使得數(shù)字圖像的數(shù)量和規(guī)模與日俱增，給圖像處理帶來挑戰(zhàn)。提高圖像識別的效率和速率，對圖像物體檢測與識別具有一定的現(xiàn)實意義。深度學習DL（Deep

2、Learning）是近幾年熱門的一種含有多層結構的深度神經(jīng)網(wǎng)絡。通過學習一種深層非線性網(wǎng)絡結構，提高對復雜分類問題的泛化能力。由此而言，在圖像檢測難度較大的情況下，為達到更高的處理效率和準確率，運用深度學習技術便順理成章。本選題將研究應用機器學習方法的最新成果深度學習來實現(xiàn)目標類別檢測。本文的主要工作包括：（1）查閱近年來的深度學習及目標檢測的相關文獻資料，了解深度學習和圖像檢測算法的國內外研究現(xiàn)狀，概述深度學習的發(fā)展及其機理和訓練方法

3、，研究深度學習的Caffe框架及卷積神經(jīng)網(wǎng)絡、FastRCNN等機理；（2）在Linux系統(tǒng)下搭建Caffe學習框架，應用CUDA并行架構，采用基于Alex網(wǎng)絡的圖像目標檢測FastRCNN模型，通過交替無監(jiān)督和有監(jiān)督學習訓練網(wǎng)絡，最終實現(xiàn)對圖像目標人、貓、車、沙發(fā)等二十個類別的檢測；（3）通過實驗驗證FastRCNN在數(shù)據(jù)集PALVOC2007的檢測效果較為理想，證實使用深度學習進行圖像目標檢測具有可行性和有效性。關鍵詞關鍵詞目標類別