论文部分内容阅读
物体识别作为计算机视觉领域的一个重要的研究方向,是计算机视觉使得计算机拥有类似于人眼的视觉能力的目标的关键技术。随着计算机视觉技术的发展,物体识别技术不仅在安防、交管等各类运用场景上起到了至关重要的作用,在赋予计算机理解图像语义的能力上也起着关键性作用。自2006年深度神经网络技术的出现,深度学习逐渐成为了计算机视觉所采用的主要方法。以卷积神经网络为最重要的方法的深度学习方法,拥有着无限的开发潜力与优秀的性能,并且屡次为物体识别领域带来了革命性突破。因此,卷积神经网络已成为物体识别研究领域的重要热点。本文通过研究以卷积神经网络为基础的各种区域卷积神经网络的物体识别算法,阐述了一个基于YOLO算法进行改进的区域卷积神经网络模型,通过改进后使得YOLO算法的性能得到了较为显著的提升,具体的工作如下:1.对YOLO算法的损失函数进行了修改,使得大物体和小物体能够在算法中获得更为公平的优化,避免了大物体比小物体优化更好的情况。相比于YOLO算法原有的损失函数,改进的损失函数更加灵活。2.针对YOLO算法在物体的细节特征识别的问题,在YOLO的网络层中通过添加转移层(passthrough layer)并使用1*1的卷积核用来扩充网络,使得网络提取的特征更加精细,再一次提升YOLO算法对于细节特征的识别和YOLO算法在相似物体类别间的细节的识别能力。3.为了进一步提升YOLO算法的训练速率,本文通过在YOLO算法原有网络中所有的卷积层网络后添加BN网络层,用以提升YOLO算法的网络训练速度,同时通过BN网络层,减少网络过拟合的情况的出现。最后,通过使用Pascal VOC 2007以及Pascal VOC 2012数据库对改进的网络进行了预训练,并通过使用经笔者标定的数据库对网络进行了在训练以提高网络在该数据库上的识别能力,并利用该数据库对网络进行了实验。通过对实验数据的结果的分析,改进后的YOLO算法网络在识别能力以及识别速率上得到了显著的提升。