版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、提出一種基于卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)的行人檢測(cè)方法。改進(jìn)主要涉及兩個(gè)方面,包括如何決定CNN樣本迭代學(xué)習(xí)次數(shù)和如何進(jìn)行重合窗口的合并。第一,關(guān)于CNN樣本迭代次序問(wèn)題,在順序迭代訓(xùn)練多個(gè)CNN分類(lèi)模型的基礎(chǔ)上,提出一種基于校驗(yàn)集正確率及其在迭代系列分類(lèi)器中展現(xiàn)出的穩(wěn)定性并進(jìn)行更優(yōu)模型選擇的策略,以使最終選擇的分類(lèi)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(gè)精確定位回歸框合并機(jī)制。精確定位回歸框的獲取以CNN檢測(cè)過(guò)程輸出的粗定位框作為
2、輸入,然后對(duì)每個(gè)粗定位框應(yīng)用CNN精確定位過(guò)程并獲得對(duì)應(yīng)的精確定位回歸框,最后對(duì)多個(gè)精確定位回歸框進(jìn)行合并,合并過(guò)程考慮了每個(gè)精確定位回歸框的正確概率。更精確來(lái)說(shuō),最終的合并窗口基于多個(gè)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(duì)提出的兩個(gè)改進(jìn),在國(guó)際上廣泛使用的行人檢測(cè)公共測(cè)試數(shù)據(jù)集ETH上進(jìn)行了一系列實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,提出的兩個(gè)改進(jìn)方法均能有效地提高系統(tǒng)的檢測(cè)性能,在相同的測(cè)試條件下,融合兩個(gè)改進(jìn)的方法相比Fast R-CNN
3、算法檢測(cè)性能提升了5.06%,達(dá)到了40.01%的檢測(cè)結(jié)果。
提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)型分類(lèi)方法,首先建立了十萬(wàn)數(shù)量級(jí)的不同車(chē)型不同場(chǎng)景的車(chē)型分類(lèi)數(shù)據(jù)庫(kù),通過(guò)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型,在其自定義測(cè)試集上進(jìn)行分類(lèi)器性能驗(yàn)證。實(shí)驗(yàn)過(guò)程中對(duì)樣本進(jìn)行了對(duì)齊和擴(kuò)邊界操作,對(duì)比了不同訓(xùn)練迭代次數(shù)產(chǎn)生的CNN分類(lèi)器,最終得到的CNN分類(lèi)器在車(chē)型分類(lèi)數(shù)據(jù)庫(kù)測(cè)試集上的平均正確率達(dá)到了95.49%。實(shí)驗(yàn)結(jié)果表明,本文提出的卷積神經(jīng)網(wǎng)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)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(jīng)網(wǎng)絡(luò)的端到端物體檢測(cè)算法研究.pdf
- 基于視頻的運(yùn)動(dòng)物體檢測(cè)方法與應(yīng)用研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的人體檢測(cè)方法研究.pdf
- 基于BP網(wǎng)絡(luò)的實(shí)時(shí)入侵物體檢測(cè)系統(tǒng).pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的物體抓取研究.pdf
- 視覺(jué)顯著性物體檢測(cè)方法及應(yīng)用研究.pdf
- 卷積神經(jīng)網(wǎng)絡(luò)在人臉檢測(cè)中的應(yīng)用研究.pdf
- 基于范例度量學(xué)習(xí)的物體檢測(cè).pdf
- 基于視覺(jué)詞匯的物體檢測(cè)方法研究.pdf
- 基于物體檢測(cè)的場(chǎng)景分類(lèi)方法研究.pdf
- 基于圖像處理的動(dòng)態(tài)物體檢測(cè)研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別研究與實(shí)現(xiàn).pdf
- 基于TensorFlow的卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究.pdf
- 基于特征共享的高效物體檢測(cè).pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的一般物體識(shí)別研究及應(yīng)用.pdf
- 基于B-HOG的圖像物體檢測(cè)研究.pdf
- 基于目標(biāo)表觀和幾何建模的物體檢測(cè)研究及應(yīng)用.pdf
- 基于深度卷積網(wǎng)絡(luò)學(xué)習(xí)算法及其應(yīng)用研究.pdf
- 基于MACF的物體檢測(cè)及中心定位.pdf
- 基于改進(jìn)Hough變換的圓形物體檢測(cè).pdf
評(píng)論
0/150
提交評(píng)論