基于深度学习的高精度目标检测技术研究.pdf

中文摘要 摘 要 随着计算机视觉技术的不断发展，其在智慧城市、自动驾驶、安防监控等诸 多领域的应用愈发广泛，而目标检测作为其中核心模块，检测质量将直接影响最 终结果的优劣，高效、鲁棒的目标检测算法一直是计算机视觉领域的研究热点和 难点问题。 当前，基于深度学习的目标检测已成为研究趋势，越来越为人们所青睐。该 类算法对海量标注数据进行自主学习以获取相应特征，借助监督训练生成特定检 测模型，最终利用上述模型对未标注的图片进行目标检测，获得显著优于传统算 法的检测结果。但是，随着深度学习技术的不断发展，对训练样本数据量的要求 逐步增加，采用传统人工标注不仅耗时耗力，而且精度不高，在一定程度上制约 了深度学习方法在目标检测领域的推广应用。因此，如何实现高精度、快速自动 数据标注，成为提升目标检测算法效率的关键。 基于此，本文围绕目前基于模型的自动标注方法存在标注精准度不高这一问 题，提出了基于深度学习的高精度目标标注与检测技术研究，并在海康威视 (HKVISION)检测平台上进行了测试，获得良好效果。论文具体工作包括以下几部 分内容： 1）针对当前目标检测模型进行分析，包括单个阶段的目标检测模型以及两 个阶段的目标检测模型，分析各类模型在目标检测精度方面的优势以及劣势。 2 ）基于目标检测标注工具的特点，采用FPPI-Recall 作为目标检测标注工具的 评价指标，并且将Cascade R-CNN 目标检测算法应用于海康威视的标注工具上。 实验结果表明，当IoU 0.5 ，FPPI 0.3 时，标注的FPPI-Recall 指标Recall 参数 提高了7.3 个百分点，达到0.6118 。 3 ）分析了Cascade R-CNN 目标检测算法存在的缺点以及潜在的优势，从深度 学习模型的采样对齐、多尺度模型训练以及模型裁剪等多个方面对原模型进行了 优化，并将优化后的模型应用于标注工具上。实验表明，改进方案在维持图片长 宽比、金字塔式训练提取特征、减少小目标误报量等多个方面有效改进了原模型 的性能，提升了目标检测的精度和准确度。 综上，本文针对目标检测中标注算法等关键模块，研究设计了高精度目标检 测算法，开展了基于深度学习以及计算机视觉的标注软件开发，并完成实验验证， 实现了对标注算法精度和准确度的高效提升。 关键词： 目标检测；标注工具；FPPI-Recall ；准确度；精度 I 英文摘要 Abstract With the continuous development of computer vision technology, it has been widely used in many fields such as intelligent city, automatic driving, security monitoring and so on. Target detection, as the core module of these fields, will directly affect the quality of the final results. Efficient and robust target detection algorithm has always been a hot and difficult issue in the field of computer vision. At present, target detection based on deep learning has become a research trend and is becoming more and more popular. This kind of algorithm learns a lot of labeled data independently to acquire the corre