一种基于改进Faster RCNN的目标检测方法.pdf
含秀****66
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于改进Faster RCNN的目标检测方法.pdf
本发明属于目标识别的技术领域,公开了一种基于改进FasterRCNN的目标检测方法,包括步骤一、将待检图像输入融合注意力机制模块的主干网络,得到不同尺度的初始特征图,再将不同尺度的所述初始特征图输入改进的FPN网络进行深层特征和浅层特征的融合,输出不同尺度的最终特征图;步骤二、利用RPN网络提取不同尺度的最终特征图中的感兴趣区域,再将感兴趣区域通过ROIAlign层映射到不同尺度的最终特征图上,并转化成统一大小,以获取固定尺寸的特征矩阵;步骤三、将所述特征矩阵拉直后输入全连接层,对目标位置进行回归,并用
基于改进的Faster RCNN的行人检测方法.pdf
本发明公开了基于改进的FasterRCNN的行人检测方法,首先通过ResNet‑50神经网络提取样本图像的特征图,然后将所得特征图输入RPN模型,并修改了RPN模型的边框回归损失函数,生成候选框;最后将特征图和候选框发送到ROIHead模型,得到目标的类别和定位。本发明基于CNN特征,不仅可以处理任意尺度的图像,而且检测精度较高。相比已公开发明专利,本发明所公开的方法并不需要对网络进行特殊的设计,只需修改RPN模型的边框回归损失函数,充分利用了已有的可用数据,采用通用的网络结构仍旧可以达到不错的实验效
自动驾驶场景下基于改进faster-RCNN的小目标检测方法.pdf
本发明属于深度学习及计算机视觉领域,具体涉及一种自动驾驶场景下基于改进faster‑RCNN的小目标检测方法。本发明选取ResNet‑50作为主干特征提取网络,首先引入可变形卷积思路对主干网进行改进,提高了卷积神经网络的变换建模能力;然后在主干网络最后两层添加空间注意力机制,能准确定位小目标,提高小目标检测的准确率并增强小目标的特征提取;同时引入特征金字塔结构,结合了自上而下和自下而上以及高低维之间的特征融合策略,从而实现了特征增强;最后利用Soft‑NMS去除冗余边框,得到最好的检测结果;并利用多尺寸训
基于Faster RCNN改进的少样本目标检测算法研究的开题报告.docx
基于FasterRCNN改进的少样本目标检测算法研究的开题报告一、研究背景目标检测一直是计算机视觉领域的一个重要研究方向。而在实际场景中,由于数据获取的不易和样本分布的复杂性,很多时候只能拥有很少量的样本进行训练。因此,少样本目标检测算法也成为了当前计算机视觉中的热门研究方向之一。传统的深度学习目标检测算法,如FasterRCNN等,需要大量的样本进行训练,在少样本的情况下表现效果往往不理想。因此,如何在少样本的情况下提升目标检测算法的性能便成为了一个重要问题。二、研究目的本研究的目的在于通过对Faste
基于Faster RCNN的飞行目标协同识别方法.pdf
本发明公开了一种基于FasterRCNN的飞行目标协同识别方法,包括以下步骤:构建训练数据集;构建FasterRCNN网络;训练FasterRCNN网络;在多个分布式平台上实施训练后的FasterRCNN网络;进行目标检测并将识别结果进行决策级融合,实现目标协同识别。针对变化环境下的飞行目标红外图像识别场景,本发明的方法采用协同识别的方法能够获取目标多角度、多姿态的图像信息,使对象轮廓、姿态等信息更加丰富立体,能够有效地提高目标的识别准确率,同时优化了FasterRCNN网络的锚框生成方法,提高