卷积神经网络.pdfVIP

湖北商贸学院毕业论文（设计） 摘 要 随着近些年目标检测技术的发展，R-CNN 算法逐渐发展为检测领域的主流算 法，其底层逻辑在于制定目的性进行搜索或通过 CNN 网络的运行，生成多种候选框， 并针对其进行梳理和分类，其特点在于具备较高的准确性；YOLO 和 SSD 的底层逻 辑主要通过图片的各个区域展开取样，在此过程中的长宽比和尺寸不要求一致， 并通过 CNN 网络进行提取，最终实现分类，其优势在于计算效率高，只需一步就 能实现，不过其缺陷在密集采样中达到均衡性存在一定难度。而在当前端侧智能、 端云协同的行业发展趋势下，算法在移动端的部署应用则显得尤其重要。相较于 统一的中心化处理，智能终端可以更好的适应差异化的环境，运维成本也更低。 不过研制体积小、质量高的检测模型难度较高，尤其在实践过程中存在诸多干扰 因素，对速度要求不断提高，如在工业、自动驾驶等领域的检测过程中，对于延 迟的要求细化到毫秒的程度，此项要求较为严格；同时对进度要求非常高，尤其 在火灾、自动驾驶等检测场景中，任何细小的疏忽都会造成无法弥补的损失，容 错率极低；对提及的要求不断减小，这一点体现在车载、移动终端等领域，其计 算能力和内存受到诸多限制，因此算法必须尽量压缩，周边环境复杂，同时要考 虑到硬件的损耗情况。而本文介绍的最超轻量级目标检测正是为了解决以上痛难 点问题，针对模型的速度、精度和部署友好性做出优化，并取得了显著的成果。 关键词： 目标检测；深度学习；卷积神经网络 I 湖北商贸学院毕业论文（设计） ABSTRACT Target detection has made important progress in recent years. The main idea of mainstream algorithms such as R-CNN algorithm is to generate a series of sparse candidate frames through selective search or CNN network (RPN), and then classify and regress these candidate frames, with the advantage of high accuracy; YOLO and SSD, whose main idea is to uniformly and densely sample the images at different locations, and then use CNN to extract features and directly classify and regress, the whole process takes only one step. densely sampled at different locations of the image, the sampling can be done at different scales and aspect ratios, and then the features are extracted using CNN and then directly classified and regressed, the whole process takes only one step, so its advantage is fast, but an important disadvantage of uniform dense sampling is that training is more difficult. Compared to unified centralized processing, smart terminals can better adapt to di