基于改进的Faster R-CNN目标检测算法研究.pdfVIP

摘要

基于改进的FasterR-CNN目标检测算法研究

近年来，计算机视觉在日常生活中的重要作用日益凸显。目标检测作为计算

机视觉的基本工作之一，得到了普遍的应用，不仅可以对目标进行识别还可以对

图片、视频等资料进行解释，可以说社会中的方方面面都可以看到目标检测的影

子。目标检测的任务是解决目标的分类和定位的难题，但是由于物体的形态各式

各样，且有背景、光线等的干扰，除此之外，物体之间还存在相互遮挡的现象，

所以，努力提高目标检测的精度十分具有研究意义。当目标检测被应用在自动驾

驶这种对安全性要求较高的领域、以及应用在医疗领域辅助医生进行医学诊断时，

它的精确度也日益得到了大家的广泛关注。因此，更好地提升目标检测的精确度

是大势所趋。

传统的方式和深度学习的方式是解决目标检测问题的两种主要方式。对于传

统方式，多数算法是通过人工发现特征的方式设计算法。尽管传统目标检测算法

较为简单，但是仅能适用于目标单一、特征明显的情况下。然而，现实世界中的

物体往往多种多样，而且背景变幻莫测，所以要找到众多物体的共同特征来实现

目标的检测十分困难。对于深度学习方式，有两阶段目标检测算法和一阶段目标

检测算法这两种方法。两阶段算法先在图像上生成候选框，然后再对候选框分类

和回归，一阶段算法则是把分类以及定位问题看成一个回归问题来处理。正是由

于两类算法的实现方式不同，所以它们的性能也有差异，两阶段算法精确度高，

而一阶段算法速度快。本文对两阶段目标检测算法中具有代表性的更快的基于区

域的卷积神经网络（FasterRegion-basedConvolutionalNeuralNetwork，

FasterR-CNN）做出了改进，设计了一种新的架构——基于改进的FasterR-CNN

目标检测算法，做出的工作如下所示：

（1）为了使学习率的设置更加合理，找到更适合网络训练的学习率，本文

采用鲸鱼优化算法对学习率的设置进行了优化。训练过程中分两个阶段来寻找最

优的学习率，第一个阶段在区间(0.0002，0.002)上采用鲸鱼优化算法寻找高学

习率的最优值，使得网络快速收敛。当训练达到指定迭代次数，训练进入第二阶

段。第二个阶段在区间(0.00002，0.0002]上采用鲸鱼优化算法寻找低学习率最

优值，直到训练达到最终指定迭代次数，实现训练收敛，达到更好的训练效果。

（2）为了提高损失函数的整体性能，本文对损失函数进行了改进，引入了

两个权重因子，分别用于调节分类损失和回归损失所占的权重。同时，为了使这

两个权重因子的设置更加合理，本文使用了鲸鱼优化算法对这两个值进行了优化。

为了验证本文提出的改进是否具有价值，在三个目标检测数据集上做了一系

列实验，结果证明，本文的算法在目标检测领域中的尝试是有价值的。而且，本

文算法跟几种经典的算法相比，本文的算法也获得了较好的效果。因此，能够证

明本文的算法具有通用性和应用价值。

关键词：

目标检测，深度学习，卷积神经网络，损失函数，鲸鱼优化算法

Abstract

ResearchonObjectDetectionAlgorithmBasedonImproved

FasterR-CNN

Inrecentyears,theimportantroleofcomputervisionindaily

lifehasbecomeincreasinglyprominent.Objectdetection,asoneofthe

basicworkofcomputervision,hasbeenwidelyused.Itcannotonly

identifyobjectbutalsointerpretpictures,videosandothermaterials.

Itcanbesaidthatobjectdetectioncanbeseeninallaspectsof

society.Objectdetectionistosolvetheproblemofobject

classificationandpositioning.H