基于卷積網(wǎng)絡(luò)的物體檢測應用研究.pdf

1、提出一種基于卷積神經(jīng)網(wǎng)絡(luò)改進的行人檢測方法。改進主要涉及兩個方面，包括如何決定CNN樣本迭代學習次數(shù)和如何進行重合窗口的合并。第一，關(guān)于CNN樣本迭代次序問題，在順序迭代訓練多個CNN分類模型的基礎(chǔ)上，提出一種基于校驗集正確率及其在迭代系列分類器中展現(xiàn)出的穩(wěn)定性并進行更優(yōu)模型選擇的策略，以使最終選擇的分類器推廣能力更優(yōu)。第二，提出了一種不同于非極大值抑制的多個精確定位回歸框合并機制。精確定位回歸框的獲取以CNN檢測過程輸出的粗定位框作為

2、輸入，然后對每個粗定位框應用CNN精確定位過程并獲得對應的精確定位回歸框，最后對多個精確定位回歸框進行合并，合并過程考慮了每個精確定位回歸框的正確概率。更精確來說，最終的合并窗口基于多個相關(guān)的精確定位回歸框的概率加權(quán)求和方式獲得。針對提出的兩個改進，在國際上廣泛使用的行人檢測公共測試數(shù)據(jù)集ETH上進行了一系列實驗。實驗結(jié)果表明，提出的兩個改進方法均能有效地提高系統(tǒng)的檢測性能，在相同的測試條件下，融合兩個改進的方法相比Fast R-CNN

3、算法檢測性能提升了5.06％，達到了40.01％的檢測結(jié)果。
　　提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的車型分類方法，首先建立了十萬數(shù)量級的不同車型不同場景的車型分類數(shù)據(jù)庫，通過設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)并訓練卷積神經(jīng)網(wǎng)絡(luò)模型，在其自定義測試集上進行分類器性能驗證。實驗過程中對樣本進行了對齊和擴邊界操作，對比了不同訓練迭代次數(shù)產(chǎn)生的CNN分類器，最終得到的CNN分類器在車型分類數(shù)據(jù)庫測試集上的平均正確率達到了95.49％。實驗結(jié)果表明，本文提出的卷積神經(jīng)網(wǎng)