积分商城

最新搜索： 激光测距 isplever TMC5160 xds100 UartAssist mdk527
您现在的位置是：首页 > 技术资料 > 基于深度学习的多视窗SSD目标检测方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习的多视窗SSD目标检测方法

更新时间：2019-12-26 08:40:19 大小：3M 上传用户：IC老兵查看TA发布的资源 标签：深度学习目标检测 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

提出了一种基于深度学习的多视窗SSD(Single Shot multibox Detector)目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF(Average F-measure)为0.729,m AP(mean Average Precision)为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。


部分文件列表

文件名 大小
基于深度学习的多视窗SSD目标检测方法.pdf 3M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第
卷第  
期
年
月
1
47  
1
红外与激光工程  
2018  
Vol.47 No.1  
Infrared and Laser Engineering  
Jan. 2018  
基于深度学习的多视窗SSD 目标检测方法  
1,2,3 1,2,3 4 1,3 1,2,3 1,2,3  
唐 聪 ，凌永顺 ，郑科栋 ，杨 星 ，郑 超 ，杨 华 ，金 伟  
1,2,3  
(1. 国防科技大学，安徽 合肥 230037；2. 红外与低温等离子体安徽省重点实验室，安徽 合肥 230037；  
3． 脉冲功率激光技术国家重点实验室，安徽 合肥 230037；  
4. 中国人民解放军 31101 部队，江苏 南京 210018)  
摘
要：  
提出了一种基于深度学习的多视窗 SSD(Single Shot multibox Detector)目标检测方法。首先  
阐述了经典 SSD 方法的模型与工作原理，并根据卷积感受野的概念和模型特征层与原始图像的映射  
关系，分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸，揭示了经典  
SSD 方法在小目标检测上不足的原因。基于此，提出了一种多视窗 SSD 模型，阐述了其模型结构与工  
作原理，并通过 106 张小目标图像数据集测试，评估和对比了多视窗 SSD 方法与经典 SSD 方法在小  
目标检测上的物体检索能力与物体检测精度。结果表明：在置信度阈值为 0.4 的条件下，多视窗 SSD  
方法的 AF(Average F-measure)为 0.729，mAP(mean Average Precision)为 0.644，相比于经典 SSD 方法  
分别提高了 0.169 和 0.131，验证了所提出算法的有效性。  
关键词：  
深度学习； 多视窗 SSD； 目标检测； 小目标  
中图分类号： 文献标志码： ：  
DOI 10.3788/IRLA201847.0126003  
TP391.4  
A
Object detection method of multi-view SSD based on deep learning  
1,2,3 1,2,3 4 1,3 1,2,3 1,2,3  
Tang Cong , Ling Yongshun , Zheng Kedong , Yang Xing , Zheng Chao , Yang Hua , Jin Wei  
1,2,3  
(1. National University of Defense Technology, Hefei 230037, China;  
2. Key Laboratory of Infrared and Low Temperature Plasma of Anhui Province, Hefei 230037, China;  
3. State Key Laboratory of Pulsed Power Laser Technology, Hefei 230037, China;  
4. 31101 Troops of PLA, Nanjing 210018, China)  
Abstract: The object detection method of multi-view Single Shot multibox Detector(SSD) based on deep  
learning was proposed. Firstly, the model and the working principle of classical SSD were expounded.  
According to the concept of convolution receptive field and the mapping relationship between the feature  
map and the original image, the sizes of covolution receptive field in different levels and the scales of  
the default boxes mapped to the original image were analyzed to find the reason why the classical SSD  
was not good at small object detection. Based on this, the multi-view SSD model was put forward, and  
the model architecture and its working principle were deeply expounded. Then, through the test in a  
dataset of 106 images for small object detection, the detection performance of multi-view SSD and  
收稿日 期：  
；
修 订日 期：  
2017-08-12  
2017-06-11  
基金项 目：国 家自 然科学 基金  
，
(61503394 61405248)  
；安徽 省自 然科学 基金  
(1508085QF121)  
作者简 介：唐 聪  
，男 ，博士生 ，主要 从事 计算 机视觉 、深度 学习 、模式 识别等 方面 的研 究。  
(1989-)  
Email:  
导师简 介：凌 永顺  
，男，中国 工程 院院 士，教 授，博士 生导 师，主 要从 事光电 工程 等方 面的 研究。  
(1937-)  
Email:  
0126003-1  
红外与激光工程  
第
期
第
卷
47  
1
classical SSD were evaluated and compared in object retrieval ability and object detection precision.  
Experimental results show that with the confidence threshold of 0.4, the multi-view SSD is 0.729 in  
Average F-measure(AF) and 0.644 in mean Average Precision(mAPꢀ, and has respectively raised 0.169  
and 0.131 compared to the classical SSD in the two evaluation indexes, thus verifying the effectiveness of  
the proposed method.  
Key words: deep learning; multi-view SSD; object detection; small object  
确度高两个优点，其在单块  
显卡上检  
Nvidia Titan X  
引 言  
0
测 速 度 可 达 到  
图 片 尺 寸 为  
， 在  
58 fps ꢂ  
300 ×300ꢀ  
ꢁ 但 是 ， 对  
SSD  
测 试 集 上  
达 到  
VOC2007  
小目标的检测性能却令人不甚满意  
文 中 提 出 了 一 种 基 于 深 度 学 习 的 多 视 窗  
mAP  
0.721  
目标检测已经成为计算机视觉领域重要的研究  
[23]  
ꢁ
[1]  
方 向 和 研 究 热 点 ，可 应 用 于 无 人 驾 驶 、机 器 人 、视  
SSD  
[2ꢁ4]  
频监控、行人检测、海面舰船检测等领域  
学习出现以前， 目标检测方法主要是根据一定的先  
验知识，通过建立某种数学模型来完成，应用较广泛  
。 在深度  
目标检测方法，主要用于改进经典  
在小目标检  
SSD  
测上的不足ꢁ 该方法以多视窗为出发点，将融合所设  
定的五个视窗的目标检测结果， 以提升目标检测能  
力ꢁ 实验结果表明，该设计大大改善了对小目标的检  
测能力， 这对于深度学习技术进一步应用于目标检  
测具有重要意义和参考价值ꢁ  
[5] [6] [7]  
变换 ꢀ帧差法 、背景减除法 、光  
的方法有：  
Hough  
[8] [9] [10]  
流法 、滑动窗口模型 、可变形部件模型 等ꢁ 具体  
地 说 ， 前 四 种 方 法 主 要 采 用 特 征 数 学 模 型 的 模  
+
式，利 用 数 据 某 种 特 性 的 特 征 来 建 立 数 学 模 型 ， 求  
解 模 型得到目标检测的结果； 后两种方法则主要采  
用 特 征 提 取 分 类 的 模 式 ， 利 用 手 工 设 计 特 征 如  
目标检测  
1 SSD  
+
ꢂ
[11]  
[12]  
[13]  
[14]  
ꢀ
ꢀ
并 结 合 分 类 器 如  
ꢀ
SHIFT HOG Haar  
ꢀ
(
SVM  
，根据特征进行分类得到目标检测结果ꢁ  
ꢀ
是一种单次检测深度神经网络， 同时结合  
SSD  
[15]  
Adaboost  
了
的回归思想和  
的 机  
anchors  
YOLO  
Faster RꢁCNN  
ꢁ 采用回归的思想可以简化神经网络的计算复  
杂 度 ，提 高 算 法 的 实 时 性 ；采 用 机 制 可 以 提  
[20]  
近年来， 深度学习技术的出现革新了目标检测的模  
式，提升了目标检测的精度和鲁棒性ꢁ 基于深度学习  
的目标检测模型， 由于深度神经网络能够自主学习  
制
anchors  
取不同宽高比尺寸的特征，同时，这种局部特征提取  
的方法在识别方面， 相比于 针对某一位置进  
不同层级的特征，相比于传统手工设计特征，学习的  
YOLO  
[16]  
特征更丰富，特征表达能力更强  
ꢁ
行全局特征提取的方法更合理ꢀ有效ꢁ 另外，  
针
SSD  
目前， 基于深度学习的目标检测方法主要分为  
两类：基于区域候选的模型和基于回归的模型ꢁ 基于  
区域候选的深度学习目标检测模型建立在区域候选  
对不同尺度的特征表达不同这一特点， 采取了多尺  
[24]  
度
目 标 特 征 提 取 的 方 法 ，该 设 计 有 助 于 提 升 检 测  
不同尺度目标的鲁棒性ꢁ  
模型  
的思想上，首先对检测区域提取候选区域，为后续特  
1.1 ꢀꢀD  
[17]  
征提取和分类做准备，典型代表为：  
ꢀ
SPPꢁ  
RꢁCNN  
的 架 构 主 要 分 为 两 部 分 ：一 部 分 是 位 于 前  
SSD  
[18]  
[19]  
[20]  
[21]  
ꢀ
ꢀ
ꢀ
RꢁFCN  
ꢁ
net  
基于回归的深度学习目标检测模型则采用回归的思  
想，需要预先按照一定方式划定默认框，从而建立起  
Fast RꢁCNN  
Faster RꢁCNN  
端的 深度卷积神经网络，采用 的 是 去 除 分 类 层 的 图  
[25]  
像 分 类 网 络 ， 如  
， 用 于 目 标 初 步 特 征 提 取 ；  
另 一部分是位于后端的多尺度 特 征 检 测 网 络 ，是 一  
组级联的卷积神经网络，将 前 端 网 络 产 生 的 特 征 层  
进行不同尺度条件下的特征提 取ꢁ 框架如图  
VGG  
预测框ꢀ默认框ꢀ  
物体框的关系以进行训  
ground truth  
[22]  
[23]  
练，典型代表为：  
ꢀ
ꢁ 在上述几种算法  
YOLO  
SSD  
SSD  
1
中，  
的检测性能相对更好， 同时具有可实时ꢀ准  
SSD  
所示ꢁ  
0126003ꢁ2  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号