![](https://static.zsdocx.com/FlexPaper/FileRoot/2019-3/14/17/852b1508-6ef3-4de9-952c-7408e68b84d3/852b1508-6ef3-4de9-952c-7408e68b84d3pic.jpg)
![基于可變形卷積神經網絡的目標檢測.pdf_第1頁](https://static.zsdocx.com/FlexPaper/FileRoot/2019-3/14/17/852b1508-6ef3-4de9-952c-7408e68b84d3/852b1508-6ef3-4de9-952c-7408e68b84d31.gif)
版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、近年來,卷積神經網絡和可變形部件模型在計算機視覺領域中取得了令人矚目的成績。
卷積神經網絡作為深度網絡的一種,結合傳統(tǒng)人工神經網絡和卷積運算,通過稀疏連接、權值共享和池化(pooling)等操作,極大地減少了模型的參數數量,使得其可以進行大規(guī)模的機器學習訓練。同時,它對物體的形變有較高的魯棒性。可變形部件,在圖結構模型的基礎上,繼承了“將物體分解成若干部件的組合”的基本思想,使用隱變量支持向量機,從弱標記數據中學習部件濾波器和
2、形變模型參數。除此之外,可變形部件模型引入了混合分量,以反映類內差異,實現了較強的泛化能力,并且在2010年獲得了PASCAL VOC終身成就獎。
本文深入研究了卷積神經網絡和可變形部件模型之間的聯系,并提出了可變形卷積神經網絡模型。首先基于傳統(tǒng)卷積神經網絡模型,論文提出了多部件描述卷積神經網絡的概念。該部件濾波器,利用了“卷積神經網絡淺層次網絡和深層次網絡分別是對局部特征信息描述和全局特征信息描述”的思想,將卷積神經網絡深層
3、隱藏層特征作為部件濾波器。同時為了得到卷積神經網絡的部件濾波器,本文研究了梯度圖的部件定位算法。卷積神經網絡的梯度圖對于興趣目標具有高響應值,對于背景響應值較低。因此,本文分析隱藏層的深層網絡輸出對原始輸入圖像的梯度圖的響應中心和部件位置的關系,并根據混合高斯模型,挖掘部件濾波器。另外,本文在CUB200-2011數據集上進行部件定位實驗,驗證了此算法的可行性。最后研究了可變形部件模型,提出了可變形卷積神經網絡模型,該模型基于卷積神經網
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于卷積神經網絡的目標檢測模型的研究.pdf
- 基于卷積神經網絡的目標檢測算法研究.pdf
- 基于卷積神經網絡的水上目標檢測方法研究.pdf
- 基于卷積神經網絡的圖像目標檢測方法研究.pdf
- 基于卷積神經網絡的目標檢測若干問題研究.pdf
- 基于卷積神經網絡的遙感圖像目標檢測與識別.pdf
- 基于卷積神經網絡的服裝分類與目標檢測研究.pdf
- 基于卷積神經網絡的行人檢測.pdf
- 基于深度卷積神經網絡的目標跟蹤.pdf
- 基于深度卷積神經網絡的智能車輛目標檢測方法研究.pdf
- 基于卷積神經網絡的車輛部件檢測.pdf
- 基于卷積神經網絡的運動目標跟蹤研究.pdf
- 基于卷積神經網絡的行人檢測方法研究.pdf
- 基于卷積神經網絡的目標跟蹤技術研究
- 基于卷積神經網絡的目標跟蹤技術研究.pdf
- 基于深度卷積神經網絡的毫米波圖像目標檢測方法研究.pdf
- 基于卷積神經網絡的行人檢測和識別研究.pdf
- 基于卷積神經網絡的Logo檢測與識別研究.pdf
- 基于卷積自編碼神經網絡的肺結節(jié)檢測.pdf
- 基于多任務卷積神經網絡的視頻目標屬性識別.pdf
評論
0/150
提交評論