摘 要
人类所接触的信息大都是视觉信息,自古以来,人们凭借看到的信息模仿学习从而进步乃至创造,即便是到了现如今科技的时代,图像和视频这些由高科技带来的视觉信息也同样是人们愿意从中找出兴趣快乐甚至投身研究的首选,而目标检测便是人们为了利用好这些视觉信息而应运而生的前沿技术,它不断被突破技术难关,攻坚克难,已经成为了当前计算机视觉识别领域的中流砥柱,它的技术并不是单一的,而是涵盖着涉及人工智能、识别分类等很多方面的高端研究成果,并大范围应用在智能化系统系列、农产品检测、物品分类等领域。所谓图像目标检测,就是对输入的图像进行目标锁定,范围圈定,类别确定,而当面对视频也就是动态的图像时,也可以做到精准定位,把所需要的图像识别出来。本文对图像目标检测算法进行了研究,提出新的角度想法,想要使用卷积神经网络来对目标检测算法中传统目标检测方法的一些不好的地方进行改进,同时也对比分析了算法实验。
关键词:目标检测;卷积神经网络;深度学习;分类回归
ABSTRACT
Most of the information that humans are exposed to is visual information. Since ancient times, people have imitated learning and made progress or even created by the information they see. Even in the era of technology, the visual information brought by high technology such as images and videos is also People are willing to find happiness and even the first choice for research, and target detection is the cutting-edge technology that people came up with in order to make good use of these visual information. It has been constantly broken through technical difficulties and overcome difficulties. It has become the current computer vision. The mainstay in the field of identification, its technology is not single, but covers high-end research results involving many aspects of artificial intelligence, identification and classification,and is widely used in intelligent system series, agricultural product detection, item classification and other fields.The so-called image target detection is to target the input image, define the range, and determine the category. When faced with a dynamic image, the video can also be accurately positioned to identify the required image. In this paper, the image target detection algorithm is researched, and a new perspective is proposed. I want to use convolutional neural network to improve some of the disadvantages of the traditional target detection method in the target detection algorithm, and also compare and analyze the algorithm experiments.
Keywords: Target detection; convolutional neural network; deep learning; classification regression
目 录
1 导 论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 2
2 相关基础知识 3
2.1 传统的目标检测方法 3
2.2 深度学习 4
2.3 卷积神经网络 5
3 基于卷积神经网络的图像目标检测 6
3.1 FastR-CNN 6
3.2 分类回归模型 7
3.3 卷积神经网络的实现 8
4 实验结果及性能分析 13
4.1 实验环境 13
4.2 实验结果 13
5 总结与展望 13
参考文献 15
致 谢 16
1 导 论
基于图像的目标检测是计算机视觉中一个很受重视的项目,在涉及人类接触的信息类型中,百分之八十以上的信息来自于图像信息,通过对图像信息进行分类识别与理解,而随着计算机人工智能领域的发展,越来越多的人类智能行为由计算机代替,基于图像识别的人工智能算法对行人跟踪、车牌识别、无人驾驶等领域来说均产生着偌大的价值,推动着研究的不断前进。这些年来,因为人们对深度学习越来越重视与热爱,研究也越来越深入,昔日惨淡的对目标图像的检测分类,如今已经大变样,以深度学习为基础的检测分类已然愈加可靠,因此说基于深度学习的目标检测算法渐渐变成人们都爱使用的方法并无虚言。本章内容主要对基于图像的人工智能算法进行背景研究和国内外现状研究。
1.1 研究背景及意义
人类所接触的信息大都是视觉信息,自古以来,人们凭借看到的信息模仿学习进步乃至创造,即便是到了现如今科技的时代,图像和视频这些由高科技带来的视觉信息也同样是人们愿意从中找出兴趣快乐甚至投身研究的首选,而目标检测便是人们为了利用好这些视觉信息而应运而生的前沿技术,并且让机器的检测结果像人眼所接受的视觉信息一样准确就成为了人们在这个领域中一个很重要的前进方向,图像目标检测水平因为人们在这个方向上坚定不移的前进而不断提高,不断变得更令人信服,也更能在一些关键时刻及时为我们提供有用信息,像是抓捕案犯,识别闯红灯的行人身份等。当然了,有时候图像不一定原本也是图像,也可能来自于一个状态为动态的视频,在这种情况下,图像其实是连续变化的,我们需要从中捕捉到想要分类出的静态图像。上述提到的捕捉过程,其中就有着人工智能等技术的大学问,可以在公安系统、航天航空、监控系统等领域中占据重要一席之位。
以下是关于如何把图像目标检测运用到各行各业里的一些例子:
对于公安系统:在交通管制方面,当出现一些路人直闯红灯,一些车辆横冲直撞,一起事故需要调查细节等这些不文明不该出现的情况,智能交通监管系统就可以解决这些烦扰,这种系统运用图像目标检测技术,对路上的人,穿梭的小型车辆(如自行车,电动车等),常见的小型轿车以及来往的大型车辆进行识别,以此对人们形成警告效果,潜移默化提升人们素质,减少交通事故的发生频率,也能提升人们的生活幸福感。
对于一些人们日常活动但又带有一些特殊性质的场所:人们理财取工资离不开的银行,因为人流量大容易发生盗窃的大型综合百货或超市,在车库找不到的自己的车位,所有有关这些场所可能发生隐患或者有所不便的地方都可以在智能监控系统的安装下迎刃而解。它可以帮助人们放心取款,快乐购物,踏实高效的找到自家车的车位。
还有军事领域也可以有所运用,导弹拦截,追踪等军事需要都是建立在目标检测系统之上的,这个系统发挥的威力值得人们在意。
当然,世间没有十全十美的存在,图像目标检测也有其面临的挑战,也会有存在的不足,比如两个东西长得太像,当检测能力还不够智能的时候,就会发生混淆错误识别检测的事情;不仅如此,当光线阴暗或过于强烈,监控摄像头前被捂住的糟糕外部物理因素产生威慑时,图像目标检测的精度也会被拉低;人有七情六欲,千思万想,但机器没有,它很难判断出人的面部表情到底表达着怎样的内心情绪,动物的千姿百态究竟意味着何种的行为征兆,想要提升这部分能力,无非是极大程度上增加了检测算法的难度。
人类一直有着不认输,不畏难的精神,人们为了征服这几座高山,从未停下攀登的脚步,到今天为止,已经有了很多目标检测算法方面的建树,有把候选区域的框取改进的,有在目标区域上下功夫的,不仅如此,人们不再单一的研究目标检测算法,而是将其与深度学习热络的结合起来,这样之后,图像目标检测技术开始突飞猛进的前行,超量的基于深度学习的图像目标检测算法诞生不已,这些崭新的算法思路,因为性能上的卓越提升而绽放出光彩,直接跃升为这个领域中的佼佼者,无数学者也怀抱着极大的热情投身于此研究中。
1.2 国内外研究现状
在前文中我就提过,深度学习的出现,是有着非凡意义的。对各种算法,系统等的研究由此进入了一个新时期,迈向了更高峰,推动了整个行业的进步,可以说是惊鸿出世。后期计算机性能也在不断升级,涉及深度学习领域的研究自然是可喜的呈上升趋势,无数学者,著作者都将笔墨挥洒到了“深度学习”的宣纸上,如同书法一样,人们称赞欣赏着这副“巨作”,极尽可能吸收其中养分,深度学习也因此声名远播,人们十分乐意学习研究它。
在国际上,我们熟知的苹果公司基于深度学习的研究也如火如荼,卓有成效,搭建在苹果IOS,OS上的Siri,作为用语音功能建立起来的虚拟助理,就很好的利用了深度学习,以此为例,还有很大数量的企业致力于相关研究,深度学习的进展速度已经非常快速。
在我国国内,初期可能没能跟上国际的脚步,但近几年我国很多公司投身于深度学习的研究之中,奋起直追,就以2020年来看,便可惊喜的发现,我们不仅赶上了国际进度,甚至已经身处这个领域中的前列。不仅有我们印象中的科技巨头阿里巴巴,华为等公司竭力研发相关的信息与产品,提升我国深度学习的整体水平和中国国内对深度学习的重视与认知,更有一些其他的领域或者还处于新人阶段的公司着手实践着它,深度学习在实际生活中的应用已经超出了我们预期的数量,它的优势让深度学习战胜了很多其他的技术思想。可是深度学习也并非是战无不胜,完美无缺的,它因为深度的不断加深导致了算法的冗长,局部最优解、局部极值,我们想要解决的问题或实现的理想会因为深度的递增和暂时无法调和的算法问题而搁置。
后来,针对深度学习展露出的缺点,学者们也不断的提出一些改进方案,其中一种很有名气的方案就是针对深度信任网络(deep belief network,DBN)的无监督学习算法[9],这种算法让深度学习的难题迎刃而解,使得原本复杂的深度学习算法得到了优化。就像我们所看到的,数量非凡的学者都投入到了针对深度学习的研究中,并且已经越来越多,越来越普遍。
图像处理和计算机视觉是一个很大的领域范围,包含着很多板块,在这之中,目标检测又是其中很重要的一个分支,无论是站在何种角度上去看,它都产生了深远不可忽视的价值。21世纪以来,我们国家的物流快递飞速发展,往深度探究,也是因为物联网及相关技术不断升级,同时这种技术渐渐走进了每个普通老百姓的生活里,带给人们便利,也正因如此,在这个领域中,有越来越多的力量贡献在其中,向为人们的生活带来更多便利的目标不断前进。
对于传统目标检测方法而言,过程如下:
(1)选择我们选取的图像图片对象,分别设置不同的滑动窗口大小对它进行圈选,生成候选区域,并对图片信息候选区域的特征进行特征提取。
(2)HOG特征。该特征一般适用于特定的领域。
(3)利用相应的分类模型,对使用候选区域训练出来的模型进行分类,衡量机器学习分类算法的性能。 [11]
传统目标检测算法同样也会造成时间过长或者是代码过多的情况,检测结果准确率也会因为在进行图像目标检测时特定目标区域划分不准确而大打折扣,训练效果,测试效果都还不能达到预期所想的那样。
基于DPM模型的复杂度较高,目标检测的速度和准度较低等以上传统目标检测算法的缺陷,引起了相关学者的广泛关注,并且随着计算机存储计算能力的增加,不断对目标检测相关的深度学习算法进行改进和创新,使得我们在代码运行上的成就不断增多,在实践中对目标的识别成功率不断变大,通过改进,在同样的VOC2007测试数据集,通过改进提出的R-CNN算法的准确率从MAP中的30%提高至48%,并且随着进一步的改进和优化,得到准确率大幅提高,从此之后R-CNN算法得到广泛的关注,并且在深度学习领域得到了巨大的突破。之后更出现了SPP-net、FastR-CNN、FasterR-CNN、R-FCN、YOLO、SSD等算法。[11]这些新的目标检测将视觉和目标检测算法很好的结合在了一起,并且得到广泛的应用。
2 相关基础知识
2.1 传统的目标检测方法
在计算机存储技术与处理速度未取得较大发展时,深度学习的神经网络算法无法得到较多的研究和应用,主要使用传统的目标检测方法进行图像的目标识别。
从传统意义上来看,它的目标识别步骤有三,分别是以下这三步:
(1) 选出候选区域, 使用相应的方法处理原始图像,找到目标检测可能出现在原始图像中位置的大概粗略区域,即候选区域。
(2) 对选中的候选区域进行处理,首先要提取出特征,要求是对目标特征和与我们所检测的图像或视频目标的核心信息的提取范围不能太大。
(3) 分类器分类,对候选区域中提出的主要特征进行分类,将目标进行分类检测。
通过以上三步可以看出,该传统算法的优劣取决于候选区域的确定以及特征提取的准确性,而是否能够有效提取完全取决于算法设计者是否有着强大的算法掌握能力,能否设计出合理优秀的算法,如果他失误了,就会对我们想要运行出的结果产生影响。
2.2 深度学习
之所以我引入相关深度学习的内容,目的是为了更好的理解目标检测算法与深度学习之间的关系,深度学习已经被广泛应用于目标识别,智能感知等人工智能多个领域,解决了很多难题。多层非线性运算单元形成了深度学习的组织结构,每一个层次都有相应的输入与输出,他们之间按着从上到下的顺序传递着数据信息,最终得到的结果中包含着很多结构信息,由此可以看到,这种深度学习的方法是一种十分优秀的方式,因而局限性就更小,应用面就更广,实效性也自然更强,像是面对分类、回归以及信息检索等操作时深度学习则当之无愧变成了一个得力工具。而提及深度学习的发现,其实它是发源于对人工神经网络的研究,在这之中,关于该学习模型,也有一个很切合的例子——多个隐层的多层感知器。针对神经网络而言,若想了解何为深度学习,就需要知道相关的数学运算知识。
在数量繁多的神经网络结构中,浅结构网络占大多数而且大都为较简单的网络结构的学习算法,举一些例子来说,输入层、隐藏层、输出层都只有一个的神经网络;从另一方面看,深度结构神经网络也就是较高水平的网络结构的学习算法,它的非线性运算组合水平较高,例如一个神经网络拥有一个输入层、四个隐藏层与一个输出层。显然,深度学习在研究应用中更占优势地位,而浅学习则会稍显劣势,经过这样的对比,我们不难看出,想要使我们进行更加广泛地深度学习研究时,我们很有意义也很有必要提高对深度学习的重视,以下是针对深结构优势做得分析整理:
(1)深结构对于复杂函数具有更高的表达能力。当我们想要高效地实现高变函数等复杂高维函数的表示时,浅结构神经网络则会显得有些力不从心,但应用深度结构神经网络就不会这样,反而有能力更好的把结果表征出来。
(2)在对网络结构进行计算时,计算会更加复杂。当我们在采用深度小于k的网络结构来表达该函数时,给无论操作人员还是操作程序都带来极大不便;当我们应用深度为k的网络结构时,却已经可以很棒很高效地表达某一函数了。除此之外,还需要对计算因子里的参数值实行调度,方法是利用训练样本。需要注意的是,为了防止泛化能力变的很差,我们需要避免一个网络结构出现训练样本的数量有限但计算因子的数量却发生增加的状况以此来保证网络结构的高效。
(3)深度学习,神经网络与仿生学角度的理解息息相关,面对输入数据,深度学习选择的是分层进行处理的方式,它调动起了每一层的神经网络,使每一层的神经网络都能发挥作用与价值,从而能够把原始数据不尽相同的水准的特性提取出来。深度学习网络有着对人体的强大复制模仿能力,有着高效的工作步骤。
(4)深结构学习可以获得更多有用的信息。它不仅仅是有着高等的处理数据结构能力,而且还有着强大的信息收集技巧,它借着自己独特的定位提取,让获得的信息重复出现在自己能力之内可以让其在的地方,藉由收获大量的有用数据,由此我们也可以理解为深度学习在任务探求解决的过程中,为其供给了少许无监督的数据。
2.3 卷积神经网络
计算机性能的极速发展势不可挡,针对深度学习的应用也同样变为了大势所趋,究其本质,均是因为深度学习在一些方面与浅层模型相较起来,可以更优进行特征的提取,更佳的实现建模领域的相关要求需要。对于显而易见的信息,浅学习当然可以识别出来并且将之表达,但如果面对的信息变得模糊了,那么就需要应用深度学习了,因为它能够在从容的面对数据大量增长的同时,却对性能的影响很少。我们都知道随着一个算法,机器语言的不断升级,需求不断提高,它的数据集和处理能力的压力一定会变大,这个时候就会考验当前所用的算法程序是否高级优异,能够担起安排到其身上的任务。但是卷积神经网络顶住了压力,并且表现非常好。在卷积神经网络的推动下,其他很多方向的技术也协同前进起来了,像是智能识别,语音识别的水平功能等也得到了提升。在系统中构造的网络常常会出现复杂冗余琐碎的问题,但卷积神经网络将这些弊端展现的可能性全部拉低,它通过局部连接,池化操作等优秀功能使得算法在检测时的运行得到了很大的改善,可以肯定地讲,和其他的神经网络算法比起来,卷积神经网络在处理等操作时都牢握胜券。
关于卷积神经网络的定义如何而来,其实是很简单的概念联想,因为它与动物的神经元相似,故而这也成为了它概念的“发源地”。卷积神经网络拥有卓越天赋,能够在众多的目标识别行为中得到精准高效优良的结果。其中关于CNN的基本结构有很多说法,大家有很多见解,但最经典的还是要属“卷积层,池化层,以及全连接层”如此分类的组成标准,将其分为这三类是普遍被人接收的。深入到实操中,CNN通常会选择来回交替设置卷积层与池化层,将几多个卷积层和池化层提取出来,让一个卷积层和一个池化层相连起来,池化层之后再相连一个卷积层的结构,然后像多米诺骨牌一样逐步推导。CNN的名字具体学术性来源则涉及到它的操作过程了,它就相当于一个卷积过程,在卷积层中,当输出特征面的每个神经元发生局部连接于其输入,并在相应的连接权值与局部输入之后,进行加权求和再加上偏置值的操作,获得此神经元输入值。卷积神经网络的机制与卷积层和池化层的关系是密不可分,相扶相依的,缺一不可,想要详细探究前者,就必须对后者也进行详细探究,这样才能学习的深入。
(1)卷积层
特征面是其组成的重要基石,没有这块基石就无法连接它。研究一下,便可发现,基石之下的又一层根基便是神经元。它与其上的基石的一部分连接。继续研究还可发现的就是这一层还有权值矩阵等构造。卷积操作的过程其实就是CNN的卷积层在发挥作用,它对输入的内容的不同特征进行提取操作,每一层的卷积层展现着不同的特点,发挥着各异的作用,从第1层开始说,它更多是针对比较低级一些的特点的事物,以此类推,它所提取的特征等级会随着卷积层层数的提高而不断变得更加高。
(2)池化层
在卷积层后面的,便是池化层了。池化层也有着数量庞大的特征面,这些特征面是以一对一的方式对应着的,均是下一层的特征面对应上一层的特征面,特征面的数量是固定的,不会受到一对一因素的影响而产生变化。池化层的输入层其实就是卷积层,池化层本层里的特征面对应方式相同,卷积面与池化层里的特征面也是以一对一的方式对应着的,不仅如此,池化层的神经元与卷积层的局部接受域是联结于一起的,这些局部接受域不同的时候,是不会交叉重叠的。池化层地作用是显著的,它首先拿下了特征面的分辨率,使其降低,然后采取进一步措施,使空间不变性成为可能。池化层实施二次提取特征操作,局部每个接受域都会被池化层的每个神经元处理,也就是进行池化操作。其中最大池化为常用的池化方法,其具有取局部接受域中值最大的点。
3 基于卷积神经网络的图像目标检测
随着深度学习的不断发展,衍生出的算法也越来越多,其中基于深度学习的算法根据其具体的步骤分为:
(1)基于候选区域的算法,比如 R-CNN、FastR-CNN、FPN、SPPNet等候选区域的算法。
(2)基于回归的算法,YOLO、SSD、YOLOv2、SVM等。[12]
在上述的众多算法之中,基于候选区域的FastR-CNN和基于回归的SVM方法是这篇文章核心的目标算法研究,卷积神经网络的图像目标检测算法也是结合以上两种算法来一起进行研究的。
3.1 FastR-CNN
随着深度学习的不断发展,视觉识别算法不断增加,在2015年提出了FastR-Cnn算法,该算法主要解决R-CNN和SPP-Net 2000个左右候选框带来的重复计算问题,其主要算法方法为:
1.首先使用一个简化的SPP层RoIPooLing层,操作与SPP类似;
2.训练和测试是不再分多步执行,不再需要额外的硬盘来存储中间层的特征,梯度能够通过层直接传播;
3.最后使用SVD分解连接层的参数矩阵,压缩为两个规模小很多的全连接层。[11]
其算法执行的流程图如图3-1所示:
图3-1 算法执行流程图
3.2 分类回归模型
分类回归模型地用途大抵用于一个方向,那就是判断卷积神经网络的分类准确率。它的训练方式有两种,第一种为正向传播,它是一个我们把手中的信息输入进去,然后进行传导并处理,进入下一层,最后将处理完的数据输出的过程;第二种是反向传导,它负责误差传导的部分。这两种方式是相互辅助,相互作用的,信息在这两种方式之间不断游走。需要注意的是,误差结果的得出是正向传播在起作用,误差可以表明我们构建的体系是否存在不足,有助于帮我们检测其完成度。
3.2.1 支持向量机分类算法
有关目标检测分类的探究,是不断进展,不断进步的,与此同时,相应的有关算法的深度探究也自然是逐渐变多,在目标检测分类领域中,基础类的算法首当其冲的便是支持向量机,这是属于经典的算法,此算法选泽了新的视角——统计学习理论的方位展开的探讨,他的研究成果SVM理论,需要对支持向量有所认知,以小代大,再从大晋升入更高的一层维度,在这个空间中,依托于最佳的分类超平面,两类不一样的样本便可以高准确度的分开,最后也能展示出分类空隙,还是最大的[4]。SVM分类方法已经广泛应用于深度学习和目标检测等多种分类算法中。
SVM学习自然有其基础理论思想指导,首先对正确分类训练数据集进行探求解答,然后找到几何间隔最大的分离超平面。[4]数据集有两种,分别为训练数据集与测试数据集,训练数据集是需要利用经卷积神经网络的,利用神经网络来输出图像,输出的图像又形成了一个新的数据集,这个数据集又训练产生为SVM向量机,产生了的SVM向量机之后,便进入测试数据集,权衡测试数据集,检测其目标检测准确率,一步步下来,走入最后的步骤,便是判断此卷积神经网络到底是优是良还是差。
3.3 卷积神经网络的实现
3.3.1 数据集预处理
选取flower_photos数据集,该数据集由102类别的花卉组成。每类由40-258张图片组成。我对原图像集按照9:1比例划分训练集和测试集,训练模型和参数不变。由于数据集为图片信息,需要将数据集转化为系统可执行文件TFRecord文件,其相关实现代码为:
(1)图像数据预处理代码,如图3-2至图3-5
图3-2
图3-3
图3-4
图3-5
3.3.2 训练卷积神经网络
用卷积神经网络训练。
(1)向前传播的代码实现,如图3-2至3-12
图3-6
图3-7
图3-8
图3-9
图3-10
图3-11
图3-12
准确率检验,如图3-13
图3-13
4 实验结果及性能分析
4.1 实验环境
本文实验环境:pycharm、python3、tensorflow-1.2.0、tflearn
数据集:flower_photos
4.2 实验结果
我们若想对数据集flower_photos也就是有关花卉的图像进行分类,可采用的方法有两种,一种是传统方法,另一种则是我们重点研究的方法,即与传统方法显然不同的基于深度学习的方法。在这里,我们将已有传统算法、多特征融合算法、改进的Alex网络算法和这篇文章运用的基于卷积神经网络的FastR-CNN网络算法进行对比研究,将花卉图像实现分类,看目标图像处理的准确率如何.具体的准确率如图4-2所示。
图4-2 花卉分类准确率
图4-2的实验分类柱状结果图可以明显展现出我们使用的基于深度学习的卷积神经网络图像目标检测算法对于花卉识别分类上拥有更高更优的分类准确率,是显然强于其他几种图像检测算法分类的。
5 总结与展望
图像等视觉信息作为人类获取信息的主要来源,图像信息的利用在各个领域具有重要的意义,本文主要研究视觉信息领域的目标检测方法即卷积神经网络,分析国内外视觉信息研究现状,对卷积神经网络进行详细的介绍和分析,与卷积神经网络息息相关的FastR-CNN算法是我们研究操作的对象,在此算法的身上再进行进一步的实操,秒速是对这个算法步骤实行的第一步,再找到之前整理的flower_photos,将其作为使用的数据集,因为对数据集的处理有训练与测试之别,故而需要将我们使用的数据集按照我们的需要进行操作以便算法能够顺利运行,我们还需得出目标分类的准确率检测,运用的的算法是SVM分类回归算法。得到实验结果之后,我们将所得结果和传统的图像目标检测算法结果拿到一起比较,不难发现,图像目标检测分类结果中,准确率更高的显然是这篇文章研究的基于CNN的算法方法。再接下来的学习中我还会继续深入研究深度学习图像检测算法,更换不同数据集对损失函数进行修改和优化,获得更高的分类准确率。
参考文献
[1]周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报(6).
[2]常亮, 邓小明, 周明全, et al. 图像理解中的卷积神经网络[J]. 自动化学报, 2016, 42(9).
[3]郑卓[1], 梁红博[1], 陈皎[1], et al. 基于深度学习的场景图像检测研究[J]. 兰州文理学院学报:自然科学版, 32(06):77-82.
[4]万维. 基于深度学习的目标检测算法研究及应用[D]. 电子科技大学.
[5]刘桂雄, 刘思洋, 吴俊芳, et al. 基于深度学习的机器视觉目标检测算法及在票据检测中应用[J]. 中国测试, 2019(5).
[6]崔福彬, 张茜, 雷俞承志, et al. 基于深度学习的SAR图像目标识别算法[J]. 长春理工大学学报(自然科学版), 2019(4).
[7]李健伟, 曲长文, 彭书娟. 基于级联CNN的SAR图像舰船目标检测算法[J]. 控制与决策, 2019, 34(10).
[8]罗金梅, 罗建, 李艳梅, et al. 基于多特征融合CNN的人脸识别算法研究[J]. 航空计算技术, 2019(3):40-45.
[9]刘建伟,刘媛,罗雄麟.深度学习研究进展[J].计算机应用研究,2014,31(7):1921-1930,1942. DOI:10.3969/j.issn.1001-3695.2014.07.001.
[10]卜禹, 陆璐璐. 基于深度学习及核典型相关分析的多特征融合说话人识别[J]. 计算机与数字工程, 2019, 47(9)
[11]吴迪, 侯凌燕, 刘秀磊, et al. An Improved Depth Convolutional Neural Network for Flower Image Classification%一种改进的深度神经网络的花卉图像分类[J]. 河南大学学报:自然科学版, 2019, 49(02):69-80.
[12]周晓彦,王珂,李凌燕.基于深度学习的目标检测算法综述[J].电子测量技术,2017,40(11):89-93. DOI:10.3969/j.issn.1002-7300.2017.11.020.
[13]葛雯,宫婷,王媛, 等.基于深度学习的目标检测算法[J].微处理机,2019,40(3):29-33. DOI:10.3969/j.issn.1002-2279.2019.03.008.
[14]Deepak Sahoo, Rakesh Chandra Balabantaray. Single-Sentence Compression Using SVM[M]// Soft Computing in Data Analytics. 2019.
[15]LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436.
[16]Chen Y, Chen Y, Wang X, et al. Deep learning face representation by joint identification-verification[C]// 2014.
[17]Girshick, Ross. Fast R-CNN[J]. Computer Science, 2015.
[18]Delforouzi, Ahmad, Pamarthi, Bhargav, Grzegorzek, Marcin. Training-Based Methods for Comparison of Object Detection Methods for Visual Object Tracking[J]. Sensors, 18(11).
致 谢
在本文完成之际,回顾调查研究的这段时间,我深深感谢所有关心、帮助过我的人。
首先要感谢我的导师xx老师。在生活上,她为人随和可亲,不摆架子;在学习上,老师博学严谨,将我看作自己的孩子一样,尽可能的帮助我解决学术困难。我叨扰过老师很多回,但是老师依然不厌其烦地给予我指导,为我找到更多合适的论文文献,搭架论文框架,解决算法运行的一些难题,我谨在此向老师表示最真挚诚恳的感谢。
然后,我要感谢所有,特别是那些热心无私帮助我的家人朋友们,在我有细节的失误时,你们及时指出;在我查询资料有难时,你们各显神通;在我烦躁悲观时,你们敏感捕捉。因为有你们在我的身边,我的情绪才能一直积极乐观,我的写论文之路才不至过于艰难,谢谢你们的付出,无论是浓郁亲情,还是同窗之谊,我都将永远铭记。
最后想说的是希望自己对得起这些帮助我的人,越来越好。