基于深度学习的高精度目标检测技术研究

摘要

随着计算机视觉技术的不断发展，其在智慧城市、自动驾驶、安防监控等诸多领域的应用愈发广泛，而目标检测作为其中核心模块，检测质量将直接影响最终结果的优劣，高效、鲁棒的目标检测算法一直是计算机视觉领域的研究热点和难点问题。　　当前，基于深度学习的目标检测已成为研究趋势，越来越为人们所青睐。该类算法对海量标注数据进行自主学习以获取相应特征，借助监督训练生成特定检测模型，最终利用上述模型对未标注的图片进行目标检测，获得显著优于传统算法的检测结果。但是，随着深度学习技术的不断发展，对训练样本数据量的要求逐步增加，采用传统人工标注不仅耗时耗力，而且精度不高，在一定程度上制约了深度学习方法在目标检测领域的推广应用。因此，如何实现高精度、快速自动数据标注，成为提升目标检测算法效率的关键。　　基于此，本文围绕目前基于模型的自动标注方法存在标注精准度不高这一问题，提出了基于深度学习的高精度目标标注与检测技术研究，并在海康威视(HKVISION)检测平台上进行了测试，获得良好效果。论文具体工作包括以下几部分内容：　　1）针对当前目标检测模型进行分析，包括单个阶段的目标检测模型以及两个阶段的目标检测模型，分析各类模型在目标检测精度方面的优势以及劣势。　　2）基于目标检测标注工具的特点，采用FPPI-Recall作为目标检测标注工具的评价指标，并且将Cascade R-CNN目标检测算法应用于海康威视的标注工具上。实验结果表明，当IoU=0.5，FPPI=0.3时，标注的FPPI-Recall指标Recall参数提高了7.3个百分点，达到0.6118。　　3）分析了Cascade R-CNN目标检测算法存在的缺点以及潜在的优势，从深度学习模型的采样对齐、多尺度模型训练以及模型裁剪等多个方面对原模型进行了优化，并将优化后的模型应用于标注工具上。实验表明，改进方案在维持图片长宽比、金字塔式训练提取特征、减少小目标误报量等多个方面有效改进了原模型的性能，提升了目标检测的精度和准确度。　　综上，本文针对目标检测中标注算法等关键模块，研究设计了高精度目标检测算法，开展了基于深度学习以及计算机视觉的标注软件开发，并完成实验验证，实现了对标注算法精度和准确度的高效提升。

目录

1 绪 论

1.1研究背景及意义

1.2国内外研究现状

1.3深度学习目标检测

1.4本文研究内容与章节安排

2 深度学习目标检测相关算法

2.1 YOLO算法

2.1.1 YOLO算法简介

2.1.2 YOLO算法原理

2.1.3 损失函数

2.2 FasterR-CNN算法

2.2.1Faster R-CNN算法思想

2.2.2 RPN网络介绍

2.2.3Faster R-CNN算法

2.2.4 损失函数

2.3 FPN算法思想及分析

2.4本章小结

3Cascade R-CNN目标检测算法

3.1评价指标

3.1.1评价指标部分概念

3.1.2 mAP

3.1.3 FPPI-Recall

3.2Faster R-CNN网络分析

3.3 级联网络的提出

3.4.1模型应用

3.4.2 训练参数

3.4.3 服务器及系统参数

3.5 实验结果及分析

3.5.1Cascade R-CNN目标检测以及对比实验

3.5.2 实验结果对比及分析

3.6 本章小结

4 改进CascadeR-CNN目标检测算法

4.1.1对齐优化方法

4.1.2对齐测试结果

4.2.1多尺度训练方法

4.2.2多尺度测试结果

4.3模型裁剪

4.3.1模型裁剪方法

4.3.2模型裁剪测试结果

4.4模型优化对比

4.4.1优化前后指标对比

4.4.2优化前后直观对比

4.5本章小结

5 总结与展望

5.1总结

5.2展望

参考文献

附录

A 攻读硕士学位期间发表的论文

B 攻读硕士学位期间参与的项目

C 攻读硕士学位期间获得的专利

D 学位论文数据集

致谢