目标检测论文范文
目标检测论文范文
论文名称:Rich feature hierarchies for accurate object detection and semantic segmentation
提出时间:2014年
论文地址:
针对问题:
从Alexnet提出后,作者等人思考如何利用卷积网络来完成检测任务,即输入一张图,实现图上目标的定位(目标在哪)和分类(目标是什么)两个目标,并最终完成了RCNN网络模型。
创新点:
RCNN提出时,检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢,作者采用的是Selective Search候选区域提取算法,来获得当前输入图上可能包含目标的不同图像块,再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。
参考博客: 。
论文题目:OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks
提出时间:2014年
论文地址:
针对问题:
该论文讨论了,CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后,在网络后端组织两组卷积或全连接层,一组用于实现定位,输出当前图像上目标的最小外接矩形框坐标,一组用于分类,输出当前图像上目标的类别信息。也是以此为起点,检测网络出现基础主干网络(backbone)+分类头或回归头(定位头)的网络设计模式雏形。
创新点:
在这篇论文中还有两个比较有意思的点,一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的,而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制,那用1x1卷积来替换FC层,是否可行呢?作者在测试时通过将全连接层替换为1x1卷积核证明是可行的;二是提出了offset max-pooling,也就是对池化层输入特征不能整除的情况,通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练,然后切换分类头为回归头,再训练回归头的参数,最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。
参考博客:
论文题目:Scalable Object Detection using Deep Neural Networks
提出时间:2014年
论文地址:
针对问题:
既然CNN网络提取的特征可以直接用于检测任务(定位+分类),作者就尝试将目标框(可能包含目标的最小外包矩形框)提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。
创新点:
本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心,(800个anchor box)然后学习预测不考虑目标类别的二分类网络,背景or前景。用到了多尺度下的检测。
参考博客:
论文题目:DeepBox: Learning Objectness with Convolutional Networks
提出时间:2015年ICCV
论文地址:
主要针对的问题:
本文完成的工作与第三篇类似,都是对目标框提取算法的优化方案,区别是本文首先采用自底而上的方案来提取图像上的疑似目标框,然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序;而第三篇为直接利用CNN网络来回归图像上可能的目标位置。
创新点:
本文作者想通过CNN学习输入图像的特征,从而实现对输入网络目标框是否为真实目标的情况进行计算,量化每个输入框的包含目标的可能性值。
参考博客:
论文题目:AttentionNet: AggregatingWeak Directions for Accurate Object Detection
提出时间:2015年ICCV
论文地址:
主要针对的问题:
对检测网络的实现方案进行思考,之前的执行策略是,先确定输入图像中可能包含目标位置的矩形框,再对每个矩形框进行分类和回归从而确定目标的准确位置,参考RCNN。那么能否直接利用回归的思路从图像的四个角点,逐渐得到目标的最小外接矩形框和类别呢?
创新点:
通过从图像的四个角点,逐步迭代的方式,每次计算一个缩小的方向,并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。
参考博客:
论文题目:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
提出时间:2014年
论文地址:
针对问题:
如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络,在处理过程中就造成了图像块信息的损失。在实际的场景中,输入网络的目标尺寸很难统一,而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。
创新点:
作者提出的SPPnet中,通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸,在训练的时候,池化的操作还是通过滑动窗口完成的,池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。
参考博客 :
论文题目:Object detection via a multi-region & semantic segmentation-aware CNN model
提出时间:2015年
论文地址:
针对问题:
既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位,本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。
创新点:
作者通过对输入网络的region进行一定的处理(通过数据增强,使得网络利用目标周围的上下文信息得到更精准的目标框)来增加网络对目标回归框的精度。具体的处理方式包括:扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置,使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性,从而提高了回归框的精度。
参考博客 :
论文题目:Fast-RCNN
提出时间:2015年
论文地址:
针对问题:
RCNN中的CNN每输入一个图像块就要执行一次前向计算,这显然是非常耗时的,那么如何优化这部分呢?
创新点:
作者参考了SPPNet(第六篇论文),在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸,从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图,再将原图上用Selective Search算法得到的目标框映射到特征图上,避免了特征的重复提取。
参考博客 :
论文题目:DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers
提出时间:2015年
论文地址:
主要针对的问题:
本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文,作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。
创新点:
作者在不同的激活层上以滑动窗口的方式生成了假设,并表明最终的卷积层可以以较高的查全率找到感兴趣的对象,但是由于特征图的粗糙性,定位性很差。相反,网络的第一层可以更好地定位感兴趣的对象,但召回率降低。
论文题目:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
提出时间:2015年NIPS
论文地址:
主要针对的问题:
由multibox(第三篇)和DeepBox(第四篇)等论文,我们知道,用CNN可以生成目标待检测框,并判定当前框为目标的概率,那能否将该模型整合到目标检测的模型中,从而实现真正输入端为图像,输出为最终检测结果的,全部依赖CNN完成的检测系统呢?
创新点:
将当前输入图目标框提取整合到了检测网络中,依赖一个小的目标框提取网络RPN来替代Selective Search算法,从而实现真正的端到端检测算法。
参考博客 :
【目标检测】 论文推荐——基于深度神经网络的目标检测
原文: Scalable Object Detection using Deep Neural Networks——学术范
最近,深度卷积神经网络在许多图像识别基准上取得了最先进的性能,包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络,它预测了图像中每个对象类别的单个边界框和置信度得分。这样的模型捕获了围绕对象的整幅图像上下文,但如果不天真地复制每个实例的输出数量,就无法处理图像中同一对象的多个实例。在这篇论文中提出了一个显著性启发的神经网络检测模型,它预测了一组与类无关的边界框,每个框有一个分数,对应于它包含任何感兴趣的对象的可能性。该模型自然地为每个类处理数量可变的实例,并允许在网络的最高级别上进行跨类泛化。
目标检测是计算机视觉的基本任务之一。一个解决这个问题的通用范例是训练在子图像上操作的对象检测器,并在所有的场所和尺度上以详尽的方式应用这些检测器。这一范例被成功地应用于经过区别训练的可变形零件模型(DPM)中,以实现检测任务的最新结果。对所有可能位置和尺度的穷举搜索带来了计算上的挑战。随着类数量的增加,这个挑战变得更加困难,因为大多数方法都训练每个类单独的检测器。为了解决这个问题,人们提出了多种方法,从检测器级联到使用分割提出少量的对象假设。
关于对象检测的文献非常多,在本节中,我们将重点讨论利用类不可知思想和解决可伸缩性的方法。
许多提出的检测方法都是基于基于部件的模型,最近由于有区别学习和精心设计的特征,已经取得了令人印象深刻的性能。然而,这些方法依赖于在多个尺度上详尽地应用零件模板,这是非常昂贵的。此外,它们在类的数量上是可伸缩的,这对像ImageNet这样的现代数据集来说是一个挑战。
为了解决前一个问题,Lampert等人使用分支绑定策略来避免计算所有可能的对象位置。为了解决后一个问题,Song et al.使用了一个低维部件基,在所有对象类中共享。基于哈希算法的零件检测也取得了良好的结果。
另一种不同的工作,与我们的工作更接近,是基于对象可以本地化的想法,而不必知道它们的类。其中一些方法建立在自底向上无阶级分割[9]的基础上。通过这种方式得到的片段可以使用自上而下的反馈进行评分。基于同样的动机,Alexe等人使用一种廉价的分类器对对象假设是否为对象进行评分,并以这种方式减少了后续检测步骤的位置数量。这些方法可以被认为是多层模型,分割作为第一层,分割分类作为后续层。尽管它们编码了已证明的感知原理,但我们将表明,有更深入的模型,充分学习可以导致更好的结果。
最后,我们利用了DeepLearning的最新进展,最引人注目的是Krizhevsky等人的工作。我们将他们的边界盒回归检测方法扩展到以可扩展的方式处理多个对象的情况。然而,基于dnn的回归已经被Szegedy等人应用到对象掩模中。最后一种方法实现了最先进的检测性能,但由于单个掩模回归的成本,不能扩展到多个类。
我们的目标是通过预测一组表示潜在对象的边界盒来实现一种与类无关的可扩展对象检测。更准确地说,我们使用了深度神经网络(DNN),它输出固定数量的包围盒。此外,它为每个盒子输出一个分数,表示这个盒子包含一个对象的网络信任度。
为了形式化上述思想,我们将i-thobject框及其相关的置信度编码为最后一网层的节点值:
Bounding box: 我们将每个框的左上角和右下角坐标编码为四个节点值,可以写成vectorli∈R4。这些坐标是归一化的w. r. t.图像尺寸,以实现图像绝对尺寸的不变性。每个归一化坐标是由最后一层的线性变换产生的。
Confidence: 置信度:包含一个对象的盒子的置信度得分被编码为单个节点valueci∈[0,1]。这个值是通过最后一个隐藏层的线性变换产生的,后面跟着一个sigmoid。
我们可以组合边界盒位置sli,i∈{1,…K}为一个线性层。同样,我们可以将所有置信区间ci,i∈{1,…K}作为一个s型层的输出。这两个输出层都连接到最后一个隐藏层
在推理时,我们的算法生成kbound盒。在我们的实验中,我们使用ek = 100和K= 200。如果需要,我们可以使用置信分数和非最大抑制在推理时获得较少数量的高置信框。这些盒子应该代表对象。因此,它们可以通过后续的分类器进行分类,实现目标检测。由于盒子的数量非常少,我们可以提供强大的分类器。在我们的实验中,我们使用另一个dnn进行分类。
我们训练一个DNN来预测每个训练图像的边界框及其置信度得分,以便得分最高的框与图像的groundtruth对象框很好地匹配。假设对于一个特定的训练例子,对象被标记为boundingboxesgj,j∈{1,…,M}。在实践中,pre- dictionary的数量远远大于groundtruthboxm的数量。因此,我们试图只优化与地面真实最匹配的预测框子集。我们优化他们的位置,以提高他们的匹配度,最大化他们的信心。与此同时,我们将剩余预测的置信度最小化,这被认为不能很好地定位真实对象。为了达到上述目的,我们为每个训练实例制定一个分配问题。Wexij∈{0,1}表示赋值:xij= 1,如果第i个预测被赋值给第j个真对象。这项任务的目标可以表示为
其中,我们使用标准化边界框坐标之间的el2距离来量化边界框之间的不同。此外,我们希望根据分配x优化盒子的可信度。最大化指定预测的置信度可以表示为
最终的损失目标结合了匹配损失和信心损失
受式1的约束。α平衡了不同损失条款的贡献。
对于每个训练例子,我们通过解决一个最佳的赋值x*的预测到真实的盒子
约束执行赋值解决方案。这是二部匹配的一种变体,是一种多项式复杂度匹配。在我们的应用程序中,匹配是非常便宜的——每幅图像中标记的对象的数量少于一打,而且在大多数情况下只有很少的对象被标记。然后,通过反向传播优化网络参数。例如,反向传播算法的一阶导数计算w、r、t、l和c
尽管上述定义的损失在原则上是足够的,但三次修改使其有可能更快地达到更好的准确性。第一个修改是对地面真实位置进行聚类,并找到这样的聚类/质心,我们可以使用这些聚类/质心作为每个预测位置的先验。因此,鼓励学习算法为每个预测位置学习一个残差到一个先验。
第二个修改涉及到在匹配过程中使用这些先验:不是将N个groundtruth位置与K个预测进行匹配,而是在K个先验和groundtruth之间找到最佳匹配。一旦匹配完成,就会像之前一样计算目标的置信度。此外,位置预测损失也不变:对于任何一对匹配的(目标,预测)位置,其损失定义为groundtruth和对应于匹配先验的坐标之间的差值。我们把使用先验匹配称为先验匹配,并假设它促进了预测的多样化。
需要注意的是,尽管我们以一种与类无关的方式定义了我们的方法,但我们可以将它应用于预测特定类的对象盒。要做到这一点,我们只需要在类的边框上训练我们的模型。此外,我们可以预测每个类的kbox。不幸的是,这个模型的参数数量会随着类的数量线性增长。此外,在一个典型的设置中,给定类的对象数量相对较少,这些参数中的大多数会看到很少有相应梯度贡献的训练示例。因此,我们认为我们的两步过程——首先本地化,然后识别——是一个更好的选择,因为它允许使用少量参数利用同一图像中多个对象类型的数据
我们使用的本地化和分类模型的网络架构与[10]使用的网络架构相同。我们使用Adagrad来控制学习速率衰减,128的小批量,以及使用多个相同的网络副本进行并行分布式训练,从而实现更快的收敛。如前所述,我们在定位损失中使用先验——这些是使用训练集上的均值来计算的。我们还使用α = 0.3来平衡局部化和置信度损失。定位器可以输出用于推断的种植区以外的坐标。坐标被映射和截断到最后的图像区域。另外,使用非最大抑制对盒进行修剪,Jaccard相似度阈值为0.5。然后,我们的第二个模型将每个边界框分类为感兴趣的对象或“背景”。为了训练我们的定位器网络,我们从训练集中生成了大约3000万幅图像,并对训练集中的每幅图像应用以下步骤。最后,样品被打乱。为了训练我们的本地化网络,我们通过对训练集中的每一幅图像应用以下步骤,从训练集中生成了大约3000万幅图像。对于每幅图像,我们生成相同数量的平方样本,使样本总数大约为1000万。对于每幅图像,样本被桶状填充,这样,对于0 - 5%、5 - 15%、15 - 50%、50 - 100%范围内的每个比例,都有相同数量的样本,其中被包围框覆盖的比例在给定范围内。训练集和我们大多数超参数的选择是基于过去使用非公开数据集的经验。在下面的实验中,我们没有探索任何非标准数据生成或正则化选项。在所有的实验中,所有的超参数都是通过对训练集。
Pascal Visual Object Classes (VOC)挑战是最常用的对象检测算法基准。它主要由复杂的场景图像组成,其中包含了20种不同的对象类别的边界框。在我们的评估中,我们关注的是2007版VOC,为此发布了一个测试集。我们通过培训VOC 2012展示了结果,其中包含了大约。11000张图片。我们训练了一个100框的定位器和一个基于深度网络的分类器。
我们在一个由1000万作物组成的数据集上训练分类器,该数据集重叠的对象至少为0.5 jaccard重叠相似度。这些作物被标记为20个VOC对象类中的一个。•2000万负作物与任何物体盒最多有0.2个Jaccard相似度。这些作物被贴上特殊的“背景”类标签。体系结构和超参数的选择遵循。
在第一轮中,定位器模型应用于图像中最大-最小中心方形作物。作物的大小调整到网络输入大小is220×220。单次通过这个网络,我们就可以得到上百个候选日期框。在对重叠阈值为0.5的非最大抑制后,保留评分最高的前10个检测项,并通过21路分类器模型分别通过网络进行分类。最终的检测分数是给定盒子的定位分数乘以分类器在作物周围的最大方形区域上评估的分数的乘积。这些分数通过评估,并用于计算精确查全曲线。
首先,我们分析了本地化器在隔离状态下的性能。我们给出了被检测对象的数量,正如Pascal检测标准所定义的那样,与生成的包围框的数量相对比。在图1中,我们展示了使用VOC2012进行训练所获得的结果。此外,我们通过使用图像的最大中心面积(max-center square crop)作为输入以及使用两个尺度(second scale)来给出结果:最大中心面积(max-center crop)的第二个尺度(select3×3windows的大小为图像大小的60%)
正如我们所看到的,当使用10个边界框的预算时,我们可以用第一个模型本地化45.3%的对象,用第二个模型本地化48%的对象。这显示出比其他报告的结果更好的性能,例如对象度算法达到42%[1]。此外,这个图表显示了在不同分辨率下观察图像的重要性。虽然我们的算法通过使用最大中心作物获得了大量的对象,但当使用更高分辨率的图像作物时,我们获得了额外的提升。进一步,我们用21-way分类器对生成的包围盒进行分类,如上所述。表1列出了VOC 2007的平均精度(APs)。达到的平均AP是0.29,与先进水平相当。注意,我们的运行时间复杂度非常低——我们只使用top10框。示例检测和全精度召回曲线分别如图2和图3所示。值得注意的是,可视化检测是通过仅使用最大中心方形图像裁剪,即使用全图像获得的。然而,我们设法获得了相对较小的对象,例如第二行和第二列的船,以及第三行和第三列的羊。
在本工作中,我们提出了一种新的方法来定位图像中的对象,该方法可以预测多个边界框的时间。该方法使用深度卷积神经网络作为基本特征提取和学习模型。它制定了一个能够利用可变数量的groundtruth位置的多箱定位成本。在“一个类一个箱”方法的情况下,对1000个盒子进行非max-suppression,使用与给定图像中感兴趣的DeepMulti-Box方法相同的准则,并学习在未见图像中预测这些位置。
我们在VOC2007和ILSVRC-2012这两个具有挑战性的基准上给出了结果,在这两个基准上,所提出的方法具有竞争力。此外,该方法能够很好地预测后续分类器将探测到的位置。我们的结果表明,deepmultibox的方法是可扩展的,甚至可以在两个数据集之间泛化,就能够预测感兴趣的定位,甚至对于它没有训练的类别。此外,它能够捕获同一类物体的多种情况,这是旨在更好地理解图像的算法的一个重要特征。
在未来,我们希望能够将定位和识别路径折叠到一个单一的网络中,这样我们就能够在一个通过网络的一次性前馈中提取位置和类标签信息。即使在其当前状态下,双通道过程(本地化网络之后是分类网络)也会产生5-10个网络评估,每个评估的速度大约为1个CPU-sec(现代机器)。重要的是,这个数字并不与要识别的类的数量成线性关系,这使得所提出的方法与类似dpm的方法非常有竞争力。
【目标检测】YOLO论文详解(You Only Look Once: Unified, Real-Time Object Detection)
论文原文:
YOLO(you only look once)是继RCNN、faster-RCNN之后,又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下,解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比:
如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测,那么yolo则是更进一步,将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图:
每个网格要预测B个bounding box,每个bounding box除了要回归自身的位置之外,还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息,其值是这样计算的:
其中如果有object落在一个grid cell里,第一项取1,否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。
每个bounding box要预测(x, y, w, h)和confidence共5个值,每个网格还要预测一个类别信息,记为C类。即SxS个网格,每个网格除了要预测B个bounding box外,还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。(注意:class信息是针对每个网格的,即一个网格只预测一组类别而不管里面有多少个bounding box,而confidence信息是针对每个bounding box的。)
举例说明: 在PASCAL VOC中,图像输入为448x448,取S=7,B=2,一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示:
在test的时候,每个网格预测的class信息和bounding box预测的confidence信息相乘,就得到每个bounding box的class-specific confidence score:
等式左边第一项就是每个网格预测的类别信息,第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率,也有该box准确度的信息。
得到每个box的class-specific confidence score以后,设置阈值,滤掉得分低的boxes,对保留的boxes进行NMS(非极大值抑制non-maximum suppresssion)处理,就得到最终的检测结果。
1、每个grid因为预测两个bounding box有30维(30=2*5+20),这30维中,8维是回归box的坐标,2维是box的confidence,还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间,w,h除以图像的width和height也归一化到0-1之间。
2、对不同大小的box预测中,相比于大box预测偏一点,小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题,作者用了一个比较取巧的办法,就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解,小box的横轴值较小,发生偏移时,反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。
3、一个网格预测多个box,希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大,就负责哪个。这种做法称作box predictor的specialization。
4、损失函数公式见下图:
在实现中,最主要的就是怎么设计损失函数,坐标(x,y,w,h),confidence,classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足:
解决方法:
只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候,才会对box的coordinate error进行惩罚,而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。
作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段,采用网络中的前20卷积层,外加average-pooling层和全连接层。模型训练了一周,获得了top-5 accuracy为0.88(ImageNet2012 validation set),与GoogleNet模型准确率相当。
然后,将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层,提高了模型输入分辨率(224×224->448×448)。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation,其它层使用 leaky rectified linear。
作者采用sum-squared error为目标函数来优化,增加bounding box loss权重,减少置信度权重,实验中,设定为\lambda _{coord} =5 and\lambda _{noobj}=0.5 。
作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮,batch size为64,动量为0.9,学习速率延迟为0.0005。Learning schedule为:第一轮,学习速率从0.001缓慢增加到0.01(因为如果初始为高学习速率,会导致模型发散);保持0.01速率到75轮;然后在后30轮中,下降到0.001;最后30轮,学习速率为0.0001。
作者还采用了dropout和 data augmentation来预防过拟合。dropout值为0.5;data augmentation包括:random scaling,translation,adjust exposure和saturation。
YOLO模型相对于之前的物体检测方法有多个优点:
1、 YOLO检测物体非常快
因为没有复杂的检测流程,只需要将图像输入到神经网络就可以得到检测结果,YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且,YOLO的mAP是之前其他实时物体检测系统的两倍以上。
2、 YOLO可以很好的避免背景错误,产生false positives
不像其他物体检测系统使用了滑窗或region proposal,分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息,因此YOLO在检测物体时能很好的利用上下文信息,从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比,YOLO的背景错误不到Fast-R-CNN的一半。
3、 YOLO可以学到物体的泛化特征
当YOLO在自然图像上做训练,在艺术作品上做测试时,YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征,从而迁移到其他领域。
尽管YOLO有这些优点,它也有一些缺点:
1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。
2、YOLO容易产生物体的定位错误。
3、YOLO对小物体的检测效果不好(尤其是密集的小物体,因为一个栅格只能预测2个物体)。
视觉检测控制系统毕业论文
之前也是为论文苦恼了半天,网上的范文和能搜到的资料,大都不全面,一般能有个正文就不错了,而且抄袭的东西肯定不行的,关键是没有数据和分析部分,我好不容易搞出来一篇,结果还过不了审。
还好后来找到文方网,直接让专业人士帮忙,效率很高,核心的部分帮我搞定了,也给了很多参考文献资料。哎,专业的事还是要找专业的人来做啊,建议有问题参考下文方网吧
下面是之前文方网王老师发给我的题目,分享给大家:
基于深度学习的无人机地面小目标算法研究
基于视觉的智能汽车面向前方车辆的运动轨迹预测技术研究
模拟射击训练弹着点检测定位技术研究
基于深度卷积神经网络的空中目标识别算法的研究
基于可见光图像的飞行器多目标识别及位置估计
无人驾驶车辆手势指令识别研究与实现
车载毫米波雷达目标检测技术研究
基于多传感融合的四足机器人建图方法
中老年人群跌倒风险评估的数据采集系统
基于深度学习的视觉SLAM闭环检测方法研究
真实图片比较视觉搜索任务的年龄效应及对策研究
室内复杂场景下的视觉SLAM系统构建与研究
基于双目内窥镜的软组织图像三维重建
学习资源画面色彩表征影响学习注意的研究
毫米波雷达与机器视觉双模探测关键技术的研究
语义地图及其关键技术研究
多重影响因素下的语音识别系统研究
基于卷积神经网络的自主空中加油识别测量技术研究
基于视觉语义的深度估计、实例分割与重建
重复视觉危险刺激——本能恐惧反应的“二态型”调控机制研究
低成本视觉下的三维物体识别与位姿估计
面向非规则目标的3D视觉引导抓取方法及系统研究
基于物体识别地理配准的跨视频行人检测定位技术研究
基于结构光的非刚体目标快速三维重建关键技术研究
基于机器视觉的动物交互行为与认知状态分析系统
关于单目视觉实时定位与建图中的优化算法研究
动态场景下无人机SLAM在智慧城市中的关键技术研究
面向视觉SLAM的联合特征匹配和跟踪算法研究
基于深度学习的显著物体检测
基于平面波的三维超声成像方法与灵长类动物脑成像应用研究
基于物体检测和地理匹配的室内融合定位技术研究
基于多模态信息融合的人体动作识别方法研究
基于视觉惯性里程计的SLAM系统研究
基于语义信息的图像/点云配准与三维重建
基于种子点选取的点云分割算法研究
基于深度学习的场景文字检测与识别方法研究
基于运动上下文信息学习的室内视频烟雾预警算法研究
基于深度学习的垃圾分类系统设计与实现
面向手机部件的目标区域检测算法的设计与实现
电路板自动光照检测系统的设计与实现
基于机器视觉的工件识别与定位系统的设计与实现
基于深度学习的物件识别定位系统的设计与实现
基于视觉四旋翼无人机编队系统设计及实现
基于视觉惯导融合的四旋翼自主导航系统设计与实现
面向城市智能汽车的认知地图车道层生成系统
基于深度学习的智能化无人机视觉系统的设计与仿真
基于知识库的视觉问答技术研究
基于深度学习的火灾视频实时智能检测研究
结构化道路车道线检测方法研究
基于机器视觉的带式输送机动态煤量计量研究
基于深度学习的小目标检测算法研究
基于三维激光与视觉信息融合的地点检索算法研究
动态环境下仿人机器人视觉定位与运动规划方法研究
瓷砖铺贴机器人瓷砖空间定位系统研究
城市街景影像中行人车辆检测实现
基于无线信号的身份识别技术研究
基于移动机器人的目标检测方法研究
基于深度学习的机器人三维环境对象感知
基于特征表示的扩展目标跟踪技术研究
基于深度学习的目标检测方法研究
基于深度学习的复杂背景下目标检测与跟踪
动态扩展目标的高精度特征定位跟踪技术研究
掩模缺陷检测仪的图像处理系统设计
复杂场景下相关滤波跟踪算法研究
基于多层级联网络的多光谱图像显著性检测研究
基于深度结构特征表示学习的视觉跟踪研究
基于深度网络的显著目标检测方法研究
基于深度学习的电气设备检测方法研究
复杂交通场景下的视频目标检测
基于多图学习的多模态图像显著性检测算法研究
基于面部视频的非接触式心率检测研究
单幅图像协同显著性检测方法研究
轻量级人脸关键点检测算法研究
基于决策树和最佳特征选择的神经网络钓鱼网站检测研究
基于深度学习的场景文本检测方法研究
RGB-D图像显著及协同显著区域检测算法研究
多模态融合的RGB-D图像显著目标检测研究
基于协同排序模型的RGBT显著性检测研究
基于最小障碍距离的视觉跟踪研究
基于协同图学习的RGB-T图像显著性检测研究
基于图学习与标签传播优化模型的图像协同显著性目标检测
姿态和遮挡鲁棒的人脸关键点检测算法研究
基于多模态和多任务学习的显著目标检测方法研究
基于深度学习的交通场景视觉显著性区域目标检测
基于生物视觉机制的视频显著目标检测算法研究
基于场景结构的视觉显著性计算方法研究
精神分裂症患者初级视觉网络的磁共振研究
基于fMRI与TMS技术研究腹侧视觉通路中结构优势效应的加工
脑机接口游戏神经可塑性研究
基于YOLOV3算法的FL-YOLO多目标检测系统
基于深度与宽度神经网络显著性检测方法研究
基于深度学习的零件识别系统设计与研究
基于对抗神经网络的图像超分辨算法研究
基于深度学习复杂场景下停车管理视觉算法的研究与实现
镍电解状态视觉检测与分析方法研究
跨界训练对提升舞者静态平衡能力的理论与方法研究
施工现场人员类型识别方法的研究与实现
基于深度学习的自然场景文字检测方法研究
基于嵌入式的交通标志识别器的设计
基于视觉感知特性与图像特征的图像质量评价
各方向硕士论文题目写作参考
不管是导师还是读者,评判论文的第一感是先审核题目,选题是撰写论文的奠基工程,在一定程度上决定着论文的优劣。下面我给大家带来2021各方向硕士论文题目写作参考,希望能帮助到大家!
计算机硕士论文题目选题参考
1、基于特征提取的图像质量评价及计算机辅助诊断
2、多功能体育馆音质控制计算机仿真实例对比研究
3、中职计算机应用基础课游戏化学习软件的设计研究
4、基于图像的计算机物体识别研究
5、中职计算机生态课堂高效教学策略的实践性研究
6、基于计算机视觉的胶囊缺陷检测系统的设计与实现
7、计算机网络信息安全风险评估标准与 方法 研究
8、基于计算机视觉的表面缺陷检测及应用
9、擦窗机伸缩臂计算机辅助设计系统研究
10、基于乳腺癌计算机辅助诊断的病理图像分析
11、面向创新创业的民办高校计算机基础课程教学改革研究
12、中职学校计算机类课程作业提交与评价系统研究
13、基于物联网的计算机监控系统设计与开发
14、基于计算机视觉的皮革测配色研究
15、基于计算机视觉的杂草种子鉴别
16、基于计算机视觉的花卉分级系统研究
17、计算机辅助景观表现研究
18、基于计算机视觉的水面智能监控研究
19、计算机辅助飞机铆钉连接优化设计
20、非相似平台管理计算机的余度管理技术研究
21、基于图像形状特征量的计算机辅助肝硬化检测研究
22、乳腺肿瘤超声剪切波弹性图像的计算机辅助诊断
23、面向老龄用户的计算机界面交互模式研究
24、培养中职计算机网络专业学生综合实践能力的 措施 研究
25、基于动态部分可重构FPGA的计算机组成原理实验平台设计
26、三值光学计算机解码器中并行感光阵列的设计
27、基于中国虹计算机的文件管理系统设计与研究
28、计算机网络虚拟实验教学平台的设计与实现
29、基于计算机视觉的油菜生长过程自动识别研究
30、基于计算机视觉的火焰三维重建算法的研究
31、企业内网计算机终端软件补丁管理系统的研究与设计
32、治安监控中基于计算机视觉的异常行为检测技术研究
33、集成无线体域网穿戴式计算机设计
34、基于计算机视觉的疲劳驾驶检测技术研究
35、基于MRI的肝脏病变计算机辅助诊断
36、基于模糊认知图的计算机在线证据智能分析技术研究
37、基于录像分析的高职计算机微课设计的案例研究
38、动态可重构穿戴计算机软件平台的设计与实现
39、计算机视觉中可变特征目标检测的研究与应用
40、基于计算机视觉的单体猪喘气行为视频特征表达方法研究
41、基于计算机视觉的指针式电表校验的关键技术研究
42、基于计算机视觉的车牌识别系统的算法研究
43、乐山计算机学校学生管理系统设计与实现
44、基于计算机视觉微测量技术研究
45、基于计算机视觉的枸杞分级方法研究
46、基于计算机视觉的外膜厚度测量方法的研究
47、基于计算机视觉的车道偏离预警算法研究
48、节能监管计算机联网多参数计量控制系统
49、点状开发建设项目水土保持方案计算机辅助编制系统研发
50、大学计算机课程实验教学平台的设计与实现
51、肠癌计算机辅助识别算法的研究
52、计算机联锁安全关键软件可靠性设计
53、计算机视觉在织物疵点自动检测中的应用研究
54、数字水印技术在计算机辅助评卷系统中的应用研究
教育 硕士论文题目
1、帮助学生掌握数学解题策略的实验与研究
2、中学数学合情推理教学现状调查和分析
3、中小学数学估算的教与学
4、培养中专生数学应用能力的研究
5、中美高中课程标准下数学探究的比较研究
6、 高中数困生良好数学思维品质培养研究
7、高一学生数学概括能力培养的实验 研究
8、网络环境下高中数学教学模式研究
9、新课标下促进学生数学学习正迁移的研究
10、基于新课程的初中数学自主学习课堂教学的实践与研究
11、中学生对数学公式的记忆特点研究
12、TI-92技术在高中数学新课程算法教学中的应用
13、数学史在中学数学教育中的教学价值
14、在数学教学中,指导学生掌握数学学习策略的实践研究
15、全国高考试题与高中数学竞赛试题相关性研究
16、新课程下初中数学学习过程评价的实验与研究
17、职高《数学》课程探究性学习的实践研究
18、培养数学学习迁移能力的课堂教学策略
19、在高中数学学习中自我监控能力培养策略的研究
20、中专班《数学实验》选修课的研究与实践
21、初中生数学思维过程的研究及数学思维能力的培养
22、培养高中生数学直觉思维能力的途径
23、论现行初中数学课堂练习及单元测验的改革
24、网络环境下“中学数学实验课”教学设计与评价的实践研究
25、高一学生函数概念学习障碍及教学对策
26、师范生数学语言表达能力的实验研究
27、职业中学数学教学中融入数学史教学的实践研究
28、高中数学教学中小组合作学习的实践与研究
29、高中数学新课程《球面上的几何》的教学实验与研究
30、数学发现法教学的课堂实施研究
31、开展初中“ 反思 性数学学习”的研究与实践
32、初中数学新课程下小组合作学习的研究与实验
33、以“教学反思”为载体的小学数学教师培训的研究
34、技校兴趣缺乏型数困生的现状及教学研究
35、中学数学课堂探究式教学模式的理论和实践研究
36、数学交流探究
37、论数学课程的情感与态度目标
38、数学课堂探究性教学的理论与实践研究
39、中学数学教师评价研究
40、五年一贯制师范数学课程设置研究
41、 高二数学 优秀生与学困生的解题策略比较研究
42、建构主义及其观点下的《全日制义务教育数学课程标准》(初中部分)解析
43、新课程标准下弗赖登塔尔数学教学原则在我国小学及初中低年级数学教学中的应用构想
44、在高中数学教学中运用《几何画板》进行数学实验的探索与实践
45、数学历史名题作为研究性学习的开发与实验研究
46、普通高中几何课程体系实施研究
47、中学数学中非语言表征的应用研究
软件工程专业硕士论文题目
1、 城轨线网数据标准与数据库设计研究
2、 基于秘密共享协议的移动数据库研究
3、 云环境下数据库同步服务的研究与实现
4、 列数据库SQL语言编译器的研究与实现
5、 面向复杂负载特征和性能需求的云数据库弹性动态平衡问题研究
6、 数据资源规划中主题数据库划分研究
7、 某某后方仓库综合数据库管理系统设计与实现
8、 SYBASE数据库的索引压缩的设计与实现
9、 分布式数据库中间件DBScale的设计与实现
10、 PostgreSQL数据库中SSD缓存模块的设计与实现
11、 数据库工具DBTool的设计与实现
12、 基于大型数据库的智能搜索与摘要提取技术研究
13、 基于用户行为分析与识别的数据库入侵检测系统的研究
14、 面向内存数据库的快照机制和持久性支持研究
15、 面向海量高并发数据库中间件的研究与应用
16、 CUBRID数据库自动化测试框架的设计与实现
17、 KingbaseES数据库列存储测试的设计与实现
18、 网络数据库服务质量监测系统的设计与实现
19、 外包数据库完整性验证的研究
20、 云南省宗教基础数据库系统的研究与分析
21、 基于SQL Server数据库的银行 保险 数据管理系统的设计和实现
22、 邮政金融电子稽查系统的数据库设计与实现
23、 文档型数据库的存储模型设计和研究
24、 多数据库环境电子商务信息安全技术研究
25、 多数据库环境数据集成与转换技术研究
26、 应用于网络监控系统的数据库设计与实现研究
27、 车辆特征数据库管理系统设计与实现
28、 数据库共享容灾技术应用研究
29、 非关系数据库加密模型的研究
30、 “数据库原理课程”在线评卷系统的设计与实现
31、 基于日志挖掘的数据库入侵检测方法研究
32、 内存数据库在城市垃圾监控系统中的研究与应用
33、 基于B/S结构的数据库加密技术的研究与应用
34、 省级基础水文数据库的设计与实现
35、 多数据库系统数据仓库集成技术应用研究
36、 多数据库环境下数据迁移技术的研究与应用
37、 基于J2EE数据库业务系统代码生成工具的设计与实现
38、 基于智能设备的嵌入式数据库安全性研究
39、 基于药用动物图像数据库的设计与实现
40、 地震预警地质构造条件数据库管理系统的设计与实现
各方向硕士论文题目写作参考相关 文章 :
★ 文学硕士论文的写作技巧
★ 心理学类论文大全及写作指导
★ 教育方向专业毕业论文题目有哪些
★ 论文写作格式
★ 硕士论文写作格式要求
★ 大学生论文题目参考2021
★ 经济学毕业论文题目参考2021
★ 大学学科论文范文及写作指导
★ 毕业论文写作心得5篇
★ 硕士论文写作指导方法及要求
上一篇:数学教育论文主题
下一篇:睡衣论文文献