新基于深度学习的室内目标识别与检测的研究4.pptx

基于深度学习的室内目标识别与检测的研究 成员： 电子1401 朱璐琳 电气1405 王雅琪 电子1402 崔 涵目录/ contents01 项目背景和意义02项目内容和技术方案03已有工作基础04创新点与特色05预期成果06经费预算和用途项目背景和意义随着对图像处理技术研究的进一步深入，对图像更全面的理解，对图像中目标对象更精确和详细的识别变得至关重要。用户不仅关注对图像的简单分类，而且希望准确获得图像中存在的目标对象的语义类别和在图像中所处的位置，因此图像中目标检测（object detection）技术受到广泛关注。项目背景和意义本项目旨在实现用深度学习方法从背景复杂的图像中准确地进行室内物体的检测与识别，在GPU平台通过卷积神经网络对输入的图像进行特征提取，实现室内对象的识别与检测。室内物体的检测与识别实现室内场景识别，用于室内安全监控等。支持进一步发展智能家居，让人们生活更舒适。加强机器人对室内物体的识别能力，用于室内机器人导航。应用：该项目为未来室内定位，如室内机器人导航、智能家居等提供了理论支持。项目内容和技术方案采集图像的识别图像数据集采集建立及训练网络模型设计建立CNN模型，用大量通用数据集进行卷CNN模型的预训练,所建数据集进行微调。利用现有的大型图像数据集，从中筛选所需的室内场景以及室内对象图像建立数据集。采集室内图像，输入CNN中实现识别和检测。卷积神经网络 卷积神经网络通常采用若干个卷积和子采样层的叠加结构作为特征抽取器。特征抽取器后面接一个分类器，分类器通常由一个多层感知机构成。在特征抽取器的末尾，我们将所有的特征图展开并排列成为一个向量，称为特征向量，该特征向量作为后层分类器的输入。卷积神经网络的优点01输入图像和网络的拓扑结构能很好的吻合，分类效果好030402局部链接、权重共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强采用端到端模式，可实现特征提取和模式分类方便并行化处理分类同时进行，并同时在训练中产生。特征提取和模式分类同时进已有工作基础123已对现有研究状况有一个整体的把握对于机器学习、深度学习、卷积神经网络等相关知识有一定的学习和研究能够熟练编程，对于训练网络要用的torch环境有了深一步的了解参阅了相关文献搜集了大量的相关论文坚实的编程基础创新点与特色1.本项目的特色在于利用卷积神经网络对室内图像检测和识别，相比传统室内目标识别BoW等方法效率高，无须手动提取特征。创新2.利用卷积神经网络对室内图像检测和识别，比传统方式识别的准确性要好，且能有效的避免过拟合的问题。3.该项目为未来室内定位，如室内机器人导航、智能家居的实现提供了有利的支持。预期成果建立室内场景与室内对象数据集库，设计基于卷积神经网络的室内目标检测和识别系统。申请实用新型专利2项，.发表学术论文2篇经费预算经费预算项目金额书籍300元项目成果保护费用专利申请费1000元论文发表费2000元总计：3300元谢谢，希望各位老师和同学批评指正！the END