论文部分内容阅读
随着智能手机的普及以及互联网的发展,图像以极快的速度产生出来。要对图像进行智能化的分析和理解,就要对其中包含的物体进行检测。物体检测一直是计算机视觉领域的研究热点。近年来,深度学习尤其是卷积神经网络的进步大大推动了物体检测的发展。目前一种可行的、效果较好的物体检测方法就是区域卷积神经网络(R-CNN)方法。该方法首先提取若干最有可能包含物体的候选区域,接着使用CNN对其提取特征,最后每类训练一个分类器对这些区域进行分类。Faster R-CNN是R-CNN系列方法不断改进的结果,使整个物体检测流程成为了端到端的过程,然而目前在检测精度上还有很大的提升空间。本文研究分析了Faster R-CNN方法的基本流程和原理。考虑到特征提取对于该方法的重要性,使用表达能力更强的残差网络(ResNet)替换了Faster R-CNN方法的VGG16网络作为后续改进的基准。本文通过可视化分析卷积神经网络不同层输出的特征,发现低层次的特征可以与高层次的特征互为补充。在此基础上我们提出了一种多层特征合并策略。采用卷积层对低层次的特征进行“下采样”到与高层次特征相同大小,然后使用连接层将两者合并起来。这样可以获得对原始图像更有效的特征表达。针对Faster R-CNN方法只利用区域特征进行分类和定位的情况,我们实现了一个上下文学习结构。采用感兴趣区域池化层提取全图的上下文特征,并与区域特征合并,用于物体的分类和定位。针对Faster R-CNN方法在后处理时只保留每类相交大于一定阈值的结果中置信度最高的包围框的情况,我们引入了包围框优化策略。将被删除包围框提供的位置信息加以考虑,对最终的包围框以置信度为权值进行投票。本文主要使用Pascal VOC公开数据集进行实验。实验结果验证了本文改进后的区域卷积神经网络方法能够有效地提高物体检测精度。在VOC2007和VOC2012上的平均精度均值(mAP)分别为78.4%和75.4%。最后在ImageNet大型数据集上进行了一定的测试,平均精度均值为53.8%。