针对遮挡问题的深度学习目标检测算法研究开题报告

 2020-02-10 11:02
1.目的及意义(含国内外的研究现状分析)
1. 意义
视觉,作为人类接收信息的主要方式之一,负责超过 80%的信息获取。视觉计算理论创始人 Marr认为视觉的主要作用是将二维的图像通过计算进行三维重建,也就是对空间物体的识别和理解。和人类视觉基本功能一样,计算机视觉中物体的分类和检测,一直是一个重要问题。
随着计算机技术的迅猛发展,目标检测已在人脸识别、行人跟踪、车牌识别、无人驾驶等领域获得广泛应用。相比于图像分类,目标检测更具难度。目标检测,就是将目标定位和目标分类结合起来,利用图像处理技术、机器学习等多方向的知识,从图像(视频)中定位感兴趣的对象。目标分类负责判断输入的图像中是否包含所需物体,目标定位则负责表示目标物体的位置,并用外接矩形框定位。这需要计算机在准确判断目标类别的同时,还要给出每个目标相对精确的位置。目标检测虽然存在诸多困难,但却是让计算机“睁眼看世界”处理高级视觉任务的第一步。
2. 研究现状
自从目标检测的概念提出以来,国内外学者针对这个问题做出了不懈探索。传统的目标检测算法,多是基于滑动窗口的框架或是根据特征点进行匹配。自 2012年AlexNet在当年度 ImageNet大规模视觉识别挑战赛中一举夺冠,且效果远超传统算法,将大众的视野重新带回到深度神经网络。2014年R-CNN的提出,使得基于CNN的目标检测算法逐渐成为主流。深度学习的应用,使检测精度和检测速度都获得了改善。
您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;