基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的研究.pdf

1、目標(biāo)檢測已經(jīng)成為社會各領(lǐng)域的重要研究課題之一。傳統(tǒng)檢測模型通常采用人工特征提取方法獲得目標(biāo)的特征描述，然后輸入到一個分類器中學(xué)習(xí)分類規(guī)則。然而，人工特征提取方法比較復(fù)雜，對設(shè)計者提出了比較高的學(xué)術(shù)要求。其次，這些方法高度依賴于具體任務(wù)，要求設(shè)計者有豐富的實際經(jīng)驗。再次，這些方法也有各自的局限性，對應(yīng)用環(huán)境提出嚴(yán)格的假設(shè)前提，如小尺度、小角度的變化等等，在現(xiàn)實應(yīng)用中很難得到滿足。最后，傳統(tǒng)檢測模型分離了特征提取和分類訓(xùn)練。如果在特征描述中

2、人工提取的特征對目標(biāo)不夠好，那些丟失的有用信息再也無法從分類訓(xùn)練中恢復(fù)出來。卷積神經(jīng)網(wǎng)絡(luò)是一種將多層人工神經(jīng)網(wǎng)絡(luò)和卷積運算相結(jié)合的新型網(wǎng)絡(luò)。它通過卷積運算讓計算機自動從圖像中提取目標(biāo)特征，這樣獲得的特征更自然，并且通用性好。同時，它對一定程度的扭曲形變有良好的魯棒性。另外，它采用了稀疏連接和權(quán)值共享，極大減少了神經(jīng)網(wǎng)絡(luò)模型的參數(shù)個數(shù)。然而，卷積神經(jīng)網(wǎng)絡(luò)需要對整個目標(biāo)進行處理，對于一些復(fù)雜目標(biāo)，模型需要大量的中間節(jié)點，計算量大。其次，卷積

3、神經(jīng)網(wǎng)絡(luò)只能進行監(jiān)督學(xué)習(xí)，所有訓(xùn)練樣本都需要事先正確標(biāo)注。另外，隨著網(wǎng)絡(luò)深度的增加，模型參數(shù)越來越難在各層之間有效地傳遞，這樣限制了參數(shù)的自適應(yīng)學(xué)習(xí)。所有這些不足阻礙了卷積神經(jīng)網(wǎng)絡(luò)模型的廣泛應(yīng)用。
　　本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的新型目標(biāo)檢測模型，有效地解決了這些問題。首先，本文模型采用了部件檢測模塊，將復(fù)雜目標(biāo)切分為多個部件分別檢測，降低了計算量。其次，提出了一種隱式訓(xùn)練方法，能夠訓(xùn)練模型從未標(biāo)注的樣本中確定隱藏變量的標(biāo)簽，