基于卷积神经网络和上下文模型的目标检测

《基于卷积神经网络和上下文模型的目标检测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文图书分类号：TP391密级：公开UDC：004学校代码：10005硕士学位论文MASTERALDISSERTATION论文题目：基于卷积神经网络和上下文模型的目标检测论文作者：马增妍学科：计算机科学与技术指导教师：刘波副教授论文提交日期：2016年6月UDC：004学校代码：10005中文图书分类号：TP391学号：S201307051密级：公开北京工业大学工学硕士学位论文题目：基于卷积神经网络和上下文模型的目标检测英文题目：OBJECTDETECTIONBASEDONCONVOLUTIONALNEURALNETWORKA

2、NDCONTEXTMODEL论文作者：马增妍学科专业：计算机科学与技术研究方向：计算机应用技术申请学位：工学硕士指导教师：刘波副教授所在单位：计算机学院答辩日期：2016年6月授予学位单位：北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：马

3、增妍日期：2016年6月24日关于论文使用授权的说明本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵守此规定）签名：马增妍日期：2016年6月24日导师签名：刘波日期：2016年6月24日摘要摘要目标检测的任务是要识别出图像中的各个物体，并给定它们的位置。目标检测的经典算法是DPM(DeformablePartsModel)算法，它采用了滑动窗口法(SlidingWi

4、ndow)来生成候选窗口，然后用HOG特征(HistogrramsofOrientedGradients)和支持向量机SVM(SupportVectorMachine)分类器对候选窗口进行分类。DPM算法检测时的计算量较大，采用的浅层HOG特征也使其正确率有限。2014年RossGirshick提出了R-CNN(RegionConvolutionalNeuralNetworks)目标检测方法，其采用选择搜索(SelectiveSearch)来生成候选窗口，然后应用卷积神经网络CNN(ConvolutionalNeuralNet

5、works)对各个候选窗口进行特征提取，再用线性支持向量机对候选窗口进行分类。R-CNN算法在PASCALVOC数据集上取得了比DPM算法明显要高的正确率。本论文在R-CNN算法的基础上进行了改进，R-CNN算法虽然在预处理方面巧妙的引入了选择搜索，开辟了目标检测的新框架，即“选择搜索+卷积神经网络”。但是，R-CNN算法在后处理阶段，即用线性SVM分类器对各个候选窗口分类之后，选择最优候选窗口的阶段，采用的是传统的非极大值抑制NMS(Non-MaximunSupperssinon)算法。非极大值抑制算法存在两方面缺点：一方面

6、，NMS算法中如何选择合适的阈值是一件困难的事；另一方面，NMS算法没有考虑图像中物体与物体之间的共存与空间位置关系。针对NMS算法的这些缺点，本论文提出了一种基于R-CNN并结合了上下文的目标检测算法。引入了一个上下文的学习模型，来刻画各类物体之间(可以是同类别也可以是不同类别)存在的空间位置关系，并详细给出了其学习和推理过程。然后在选择最优候选窗口时，用其代替NMS算法。在PASCALVOC2011数据集上对本文算法进行了训练和测试，并与采用NMS的R-CNN算法进行了对比。实验结果表明，对于经常同时出现在一幅图像中并存在

7、特定空间位置关系的物体类别，本文方法的正确率比R-CNN算法有了较明显的提高。关键词：卷积神经网络；R-CNN；非极大值抑制；上下文模型-I-AbstractAbstractObjectdetectiontaskistoidentifyeachobjectintheimage,andgiventheirposition.theclassicobjectdetectionalgorithmisDPM(DeformablePartsModel)algorithm,itusesaslidingwindowmethodtogenera

8、tethecandidatewindow,andthenusetheHOG(HistogrramsofOrientedGradients)featuresandlinearSVM(SupportVectorMachine)classifiertoclassifythecand