摘 要:目标检测作为计算机视觉领域的一个研究方向,主要在图像处理中识别出目标的类别和位置信息;目标检测运用深度学习、模式识别等技术,广泛应用于许多领域,如人脸识别、车辆检测等。随着目标检测技术的不断应用,越来越多的研究人员对其都产生浓厚的兴趣,并且也展开了多方面的探讨和研究。
本课题首先探讨传统的目标检测方法和基于深度学习的方法,以此介绍课题研究的意义所在。然后研究如AlexNet代表的经典CNN网络结构,使用MS COCO数据集中的部分数据和标签来进行网络模型的训练。随后,应用相应的网络优化技术,对数据进行一定的处理,使模型表现的更好。接下来详细阐述目标检测技术中的R-CNN、Fast R-CNN、FPN等方法,通过在MS COCO数据集进行实验测试。经过实验结果的分析,发现各个算法之间的优缺点,并了解算法逐步改进的思想。然后,针对实验过程中遇到的训练时间、预测精度、检测时间等问题进行相应的分析,并给出一定的解决方案。最后,对课题研究的算法进行整体的汇总,在性能方面对算法进行了对比。对实验中存在的问题做出了思考,对于后续如何进一步研究也做出了思考。
关键词:MS COCO数据集;深度学习;卷积神经网络
目录
摘要
Abstract
1 绪论-1
1.1 研究背景及意义-1
1.2 研究现状-1
1.3 主要研究内容-2
2 目标检测的方法-2
2.1 传统的目标检测方法-2
2.2 基于深度学习的目标检测方法-3
2.2.1卷积神经网络-3
2.2.2大规模的数据库-4
3 AlexNet网络模型和网络优化技术-