欢迎来到天天文库
浏览记录
ID:34673791
大小:4.19 MB
页数:69页
时间:2019-03-09
《基于深度学习的交通场景多目标检测与分类研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、分类号:TP3910710-2015124034硕士学位论文基于深度学习的交通场景多目标检测与分类研究何朋朋导师姓名职称郭兰英教授申请学位级别工学硕士学科专业名称计算机系统结构论文提交日期2018年4月2日论文答辩日期2018年6月3日学位授予单位长安大学Multi-ObjectDetectionandClassificationBasedonDeepLearninginTrafficSceneAThesisSubmittedfortheDegreeofMasterCandidate:HePengpengSupervisor:Prof.GuoLanyingChang’anU
2、niversity,Xi’an,China摘要人工智能技术的兴起,为传统交通问题提供了全新的解决思路。深度学习作为人工智能技术的重要分支在交通领域的应用已成为研究热点。本文正是研究基于深度学习的交通场景多目标检测及分类问题,通过对当下目标检测模型和分类模型的分析,构建了交通目标检测和分类网络,实现了基于深度学习的交通场景多目标检测系统及相应的目标分类系统。本文的主要内容如下:首先,介绍了深度学习的基本模型,其中包括深度神经网络、卷积神经网络、深度置信网络、递归神经网络、对抗生成网络等。本文主要使用了卷积神经网络,因此对其进行深入分析,其中主要包括卷积神经网络的结构、特点以及
3、训练机制。其次,针对传统的目标检测算法存在流程繁琐、环境适应性差等问题,本文在深度学习的基础上,设计了交通场景多目标检测系统。该系统使用了RetinaNet目标检测模型,并针对交通场景的需求做出了如下改进:加深了卷积网络的深度,从101层提升至152层,使得交通场景目标(包括汽车,行人,交通标示,红绿灯等)平均检测率提高了2.01%;对模型进行加速和压缩,在平均检测率基本不损失的情况下(与RetinaNet(ResNet50)模型对比),单步训练时间降低了21%,模型大小降低了一倍多。再次,在目标检测的基础上,本文设计了基于卷积神经网络的交通场景目标细分类系统。该系统包括交
4、通标志分类系统和车辆细分类系统。在交通标志分类系统中,设计了基于卷积神经网络的交通标志分类网络SignNet,对比之前的基于人工特征的交通标志分类最优网络,检测精度提升了1.08%,达到了98.2%。车辆细分类系统使用了基于BillnearCNN细分类网络,在此基础上使用数据增强技术,使得该系统能成功分类210种车辆,相对于使用粗分类网路VGG-19分类精确度提升了5.2%,达到了90.1%。最后,本文在实拍视频上对交通场景多目标检测系统进行了测试,测试结果显示检测速度达7fps,视野范围内目标车辆,行人,交通信号灯检测率分别为81.28%,42.38%,39.63%。关键
5、词:深度学习,卷积神经网络,交通场景目标检测,目标细分类iAbstractTheriseofartificialintelligenceprovidesanewsolutionfortraditionaltransportationproblems.Asanimportantbranchofartificialintelligence,theapplicationofdeeplearningintransportationhasbecomearesearchhotspot.Thispaperfocusonthemulti-objectdetectionandclassifi
6、cationproblemintrafficscenebyusingdeeplearning.Byanalyzingthecurrentobjectdetectmodelandclassificationmodel,thispaperconstructsatrafficobjectdetectionandclassificationnetwork,andimplementsthetrafficscenemulti-objectdetectionsystemandtargetclassificationsystem.Themaincontentofthispaperareas
7、follows:Firstly,thebasicmodelsofdeeplearningareintroduced,includingdeepneuralnetworks,convolutionalneuralnetworks,deepbeliefnetworks,recurrentneuralnetworks,andgenerativeadversarialnets.Inthispaper,theconvolutionalneuralnetworkismainlyused,soitisanalyzed,inclu
此文档下载收益归作者所有