基于深度学习的多尺度小目标检测方法研究

目录

摘要

1 绪论

1．1研究背景及意义

1．1．1研究背景

1．1．2多尺度、小目标定义

1．1．3研究意义

1．2国内外研究现状

1．2．1多尺度目标检测研究现状

1．2．2小目标检测研究现状

1．2．3模型压缩与加速技术研究现状

1．3研究内容与章节安排

1．3．1研究内容

1．3．2章节安排

2相关理论基础与算法简介

2．1卷积神经网络CNN基础

2．1．1卷积层

2．1．2激活函数层

2．1．3池化层

2．1．4全连接层

2．1．5Softmax层

2．2生成式对抗网络

2．2．1生成式对抗网络原理

2．2．2条件生成式对抗网络

2．3经典卷积神经网络模型

2．3．1VGG网络

2．3．2DetNet网络

2．3．3SENet网络

2．3．4FasterRCNN网络

2．4检测算法加速技术

2．4．1网络剪枝

2．4．2网络量化与权值共享

2．5本章小结

3基于半监督学习的改进生成对抗式网络算法

3．1IGANN-SS网络结构

3．2生成器及网络设计

3．3判别器及网络设计

3．4实验结果及分析

3．4．1实验环境及数据集介绍

3．4．2基于主观评价的生成图像实验

3．4．3基于客观评价的生成图像实验

3．5本章小结

4基于改进Faster RCNN的多尺度小目标检测算法

4．1军事远距离拍摄图像小目标分析

4．1．1军事远距离拍摄小目标尺度分析

4．1．2Faster R-CNN对小目标检测的难点分析

4．2基于Faster RCNN多尺度小目标检测模型结构优化

4．2．1基于改进的Faster RCNN检测算法的整体网络结构

4．2．2DetNet骨干网络特征提取及优化

4．2．3多尺度候选区域生成网络设计

4．2．4反卷积与PrROI-Pooling层优化设计

4．3实验设计与结果分析

4．3．1深度学习框架选择与构建

4．3．2军事小目标数据集制作

4．3．3目标检测性能评价指标介绍

4．3．4特征提取图可视化分析

4．3．5实验结果与对比分析

4．4本章小结

5基于网络剪枝与量化的小目标检测算法

5．1模型计算量与参数量分析

5．2基于改进Faster RCNN网络模型的剪枝技术

5．2．1网络模型剪枝技术过程

5．2．2网络模型剪枝技术实现细节

5．3基于改进Faster RCNN网络模型的量化技术

5．3．1网络模型量化技术过程

5．3．2网络模型量化技术实现细节

5．4实验与分析

5．4．1剪枝实验分析

5．4．2量化实验分析

5．5本章小结

6结论与展望

6．1结论

6．2展望

参考文献

攻读硕士学位期间发表的论文及成果

致谢

声明