基于多層網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)草圖檢測(cè)模型.pdf

1、目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的基本問題之一，得到了越來越多的關(guān)注。它是從圖像處理到圖像理解之間的關(guān)鍵步驟，其主要目的是為了從圖像中識(shí)別出待檢測(cè)目標(biāo)，完成場(chǎng)景理解或行為分析的第一步，因而被廣泛地應(yīng)用到各個(gè)重要領(lǐng)域，如視頻監(jiān)控、智能交通、生物特征識(shí)別等。
　　然而，目標(biāo)檢測(cè)技術(shù)依舊有很大的上升空間。針對(duì)實(shí)際場(chǎng)景中目標(biāo)尺度大范圍的變化，單一尺度的檢測(cè)方法很難平衡虛檢和漏檢的問題。傳統(tǒng)目標(biāo)檢測(cè)技術(shù)的處理方式就是采用圖像金字塔，通常會(huì)導(dǎo)致檢測(cè)

2、效率受限。同時(shí)，大多數(shù)檢測(cè)算法都關(guān)注在目標(biāo)的定位問題上，而在一些應(yīng)用場(chǎng)景中，比如圖像分割、運(yùn)動(dòng)目標(biāo)姿態(tài)識(shí)別等，通常需要的不僅僅只是一個(gè)包圍盒（Bounding box），還需要更多目標(biāo)的描述信息或者姿態(tài)信息。此外，伴隨著深度神經(jīng)網(wǎng)絡(luò)的研究熱潮，也給目標(biāo)檢測(cè)領(lǐng)域帶來了諸如訓(xùn)練樣本需求量大、訓(xùn)練時(shí)間過長(zhǎng)等問題。以卷積神經(jīng)網(wǎng)絡(luò)為例，該網(wǎng)絡(luò)模型往往需要至少數(shù)以萬計(jì)的訓(xùn)練樣本和十幾個(gè)小時(shí)的訓(xùn)練時(shí)間。這些問題都在一定程度上阻礙了相關(guān)理論算法的進(jìn)一步

3、應(yīng)用。
　　針對(duì)上述問題，本文對(duì)原始的活動(dòng)基模型（Active Basis Model，ABM）加以改進(jìn)，提出了基于多層網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)草圖檢測(cè)模型。活動(dòng)基模型的學(xué)習(xí)階段只需少量的訓(xùn)練樣本，而且對(duì)目標(biāo)具有良好的描述性能，有利于對(duì)圖像進(jìn)行理解。但它解決的僅是目標(biāo)的定位和描述問題，且該模型的訓(xùn)練是一個(gè)前向挑選的過程，通過生成一組Gabor字典集，接著進(jìn)行圖像卷積將訓(xùn)練樣本投影到這組Gabor集構(gòu)成的空間，用少量經(jīng)過最大值池化的Gabor

4、基對(duì)圖像進(jìn)行稀疏編碼，得到初步的檢測(cè)模型。本文在該模型的基礎(chǔ)上引入了分類的概念，將單目標(biāo)描述問題優(yōu)化為多目標(biāo)的檢測(cè)問題，同時(shí)擴(kuò)展的多尺度結(jié)構(gòu)模型有效地避免了圖像金字塔帶來的時(shí)間損耗。此外，本文改進(jìn)了投影次梯度算法（Primal Estimated sub-GrAdient SOlver for SVM，Pegasos），通過選取一組樣本集迭代進(jìn)行模型參數(shù)優(yōu)化和困難樣本挖掘，以完成對(duì)模型的誤差反向傳播訓(xùn)練，使得最終的模型不僅獲得了更高的檢