基于深度学习的细粒度目标检测算法研究

• 作 者: 麻凯利
• 出 处: 国防科技大学
• 发表日期: 2004年期
• 关键词: 细粒度 目标检测 自适应锚点 舰船检测 数据集构建

物体是构成场景的基本要素之一,理解识别图片中汽车、飞机、船舶、行人、宠物等物体是判定图片场景、理解图片内容的第一要务。图片中不同目标的光照、遮挡、形变等变化十分复杂,以至于目标检测相关研究一直是图像处理的一个重点和难点。随着目标检测相关技术研究的发展,作为目标检测问题的一个衍生问题,细粒度目标检测的研究和应用正越来越成为热点。相对于一般目标检测任务,细粒度目标更容易出现类内差异大、类间差异小等现象,使得细粒度目标检测难度更大。由于细粒度目标的研究更多的在于目标分类,而实际生活中一张图片包含多类目标十分常见,直接得到检测结果往往更具有实用性,因而细粒度目标检测系统十分有实用意义。本文研究对图片中细粒度目标进行检测和识别,提取出图片中特定目标的位置以及所属类别的信息。首先,主要对卷积神经网络进行了研究,介绍其基本理论,并介绍了两种经典网络模型的结构和目标检测需要用到的一些重要的组件。然后,对目标检测的发展进行了梳理和介绍,对比不同算法的优劣。在不使用部件级标注信息的情况下,使用基于深度学习的框架进行端到端训练,使用训练模型对细粒度目标进行检测。通过分析细粒度图像的特点,挖掘目标轮廓统计特性,改进检测框架中区域生成网络的过程,提出并实现了一种自适应锚点机制,在解决不同问题时自动拟合出更贴近目标轮廓的锚点以代替原框架中手工设定的锚点。并利用预训练模型改善训练效果,得到了检测更精确的细粒度检测模型。最后,实现了一个面向互联网数据的细粒度舰船检测数据集和系统。本文针对细粒度舰船检测问题的一个应用场景,通过从互联网上抓取图片数据开始,使用爬虫技术收集图片。通过SIFT特征对图片集进行去重,并进行筛选以及标注。对比各类主流数据集结构、特点,确定本数据集中的图像标注原则、文件信息组织形式,构建美军舰船的细粒度数据集,并进行训练和检测实验。以解决舰船检测问题为例,探索实现了在深度学习的方法下细粒度舰船检测识别问题的完整方法。