一種基于改進卷積神經網絡的目標識別方法研究.pdf

1、近年來，卷積神經網絡以其較強的特征泛化能力在目標識別任務中取得成功，并帶動相關應用的研究熱潮。大規(guī)模樣本數據與高性能計算機，是提升基于卷積神經網絡的目標識別方法性能的主要手段。目前已有改進卷積神經網絡使用樣本目標區(qū)域集構建識別模型，從擴大樣本數據的角度來提升識別性能。然而，區(qū)域集的質量與數量對識別性能有著重要影響。因此，本文對區(qū)域集提取方法進行改進設計，來對特定應用在非結構化環(huán)境下的目標識別問題進行研究，以構建低硬件成本下一種擴展性強、

2、實時、高效的目標識別方法。論文具體工作如下:
　　針對選擇搜索算法獲取的目標區(qū)域集存在冗余的問題，本文在基于區(qū)域合并的分割算法的基礎上，對區(qū)域合并準則進行改進設計，提出分層選擇搜索算法。該算法重點是在合并過程中使用多個互補的相似性度量加權構成的組合相似性度量作為區(qū)域合并的評判標準，以獲取高質量、低冗余區(qū)域集作為目標或目標部件的搜索空間。兩個數據集上的實驗結果表明，本文算法在保證分割質量的前提下，能有效減少冗余區(qū)域。
　　針對

3、低硬件成本下目標識別時間較長的問題，本文使用分層選擇搜索算法與改進卷積神經網絡設計了一種面向特定應用的目標識別方法。該方法重點在于采用分層選擇搜索算法進行區(qū)域集提取，以降低處理冗余區(qū)域增加的開銷;然后采用大數據集上的預訓練與小數據集上的微調求解網絡參數，降低訓練成本及實現模型復用;最后使用微調后的網絡進行樣本特征提取，并結合樣本類別標記信息構建分類器。在移動產品圖像數據集上的實驗結果表明，該方法相較于采用選擇搜索的方法能有效降低識別時間