基于COCO数据集的卷积神经网络目标检测方法研究.docx

摘  要：目标检测作为计算机视觉领域的一个研究方向，主要在图像处理中识别出目标的类别和位置信息；目标检测运用深度学习、模式识别等技术，广泛应用于许多领域，如人脸识别、车辆检测等。随着目标检测技术的不断应用，越来越多的研究人员对其都产生浓厚的兴趣，并且也展开了多方面的探讨和研究。

本课题首先探讨传统的目标检测方法和基于深度学习的方法，以此介绍课题研究的意义所在。然后研究如AlexNet代表的经典CNN网络结构，使用MS COCO数据集中的部分数据和标签来进行网络模型的训练。随后，应用相应的网络优化技术，对数据进行一定的处理，使模型表现的更好。接下来详细阐述目标检测技术中的R-CNN、Fast R-CNN、FPN等方法，通过在MS COCO数据集进行实验测试。经过实验结果的分析，发现各个算法之间的优缺点，并了解算法逐步改进的思想。然后，针对实验过程中遇到的训练时间、预测精度、检测时间等问题进行相应的分析，并给出一定的解决方案。最后，对课题研究的算法进行整体的汇总，在性能方面对算法进行了对比。对实验中存在的问题做出了思考，对于后续如何进一步研究也做出了思考。

关键词：MS COCO数据集；深度学习；卷积神经网络

目录

摘要

Abstract

1 绪论-1

1.1 研究背景及意义-1

1.2 研究现状-1

1.3 主要研究内容-2

2 目标检测的方法-2

2.1 传统的目标检测方法-2

2.2 基于深度学习的目标检测方法-3

2.2.1卷积神经网络-3

2.2.2大规模的数据库-4

3 AlexNet网络模型和网络优化技术-5

3.1 AlexNet卷积网络模型-5

3.2 网络的优化-8

4.1 基于区域建议的卷积神经网络（R-CNN）-9

4.1.1 R-CNN算法原理-9

4.1.2 R-CNN算法实现步骤-11

4.1.3 实验结果及分析-14

4.2 基于区域建议的快速卷积神经网络（Fast R-CNN）-17

4.2.1 Fast R-CNN算法原理-17

4.2.2 Fast R-CNN算法实现步骤-18

4.2.3 实验结果及分析-19

4.3 特征金字塔（FPN）-21

4.3.1 FPN基本架构-22

4.3.2 基于特征金字塔的ResNet网络结构-23

4.3.2 FPN在目标检测中的实际应用-24

4.3.3 实验结果与分析-24

5 思考与展望-26

参 考 文 献-28

致 谢-29