基于可變形卷積神經(jīng)網(wǎng)絡(luò)的目標檢測.pdf

1、近年來，卷積神經(jīng)網(wǎng)絡(luò)和可變形部件模型在計算機視覺領(lǐng)域中取得了令人矚目的成績。
　　卷積神經(jīng)網(wǎng)絡(luò)作為深度網(wǎng)絡(luò)的一種，結(jié)合傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和卷積運算，通過稀疏連接、權(quán)值共享和池化（pooling）等操作，極大地減少了模型的參數(shù)數(shù)量，使得其可以進行大規(guī)模的機器學(xué)習(xí)訓(xùn)練。同時，它對物體的形變有較高的魯棒性?？勺冃尾考?，在圖結(jié)構(gòu)模型的基礎(chǔ)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(shù)據(jù)中學(xué)習(xí)部件濾波器和

2、形變模型參數(shù)。除此之外，可變形部件模型引入了混合分量，以反映類內(nèi)差異，實現(xiàn)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(jīng)網(wǎng)絡(luò)和可變形部件模型之間的聯(lián)系，并提出了可變形卷積神經(jīng)網(wǎng)絡(luò)模型。首先基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型，論文提出了多部件描述卷積神經(jīng)網(wǎng)絡(luò)的概念。該部件濾波器，利用了“卷積神經(jīng)網(wǎng)絡(luò)淺層次網(wǎng)絡(luò)和深層次網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的梯度圖對于興趣目標具有高響應(yīng)值，對于背景響應(yīng)值較低。因此，本文分析隱藏層的深層網(wǎng)絡(luò)輸出對原始輸入圖像的梯度圖的響應(yīng)中心和部件位置的關(guān)系，并根據(jù)混合高斯模型，挖掘部件濾波器。另外，本文在CUB200-2011數(shù)據(jù)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(jīng)網(wǎng)絡(luò)模型，該模型基于卷積神經(jīng)網(wǎng)