領(lǐng)域自適應(yīng)目標(biāo)檢測(cè)方法與應(yīng)用

目錄 
第1章 緒論 1 
1.1 背景及意義 1 
1.2 目標(biāo)檢測(cè)研究現(xiàn)狀 3 
1.2.1 目標(biāo)檢測(cè)方法概述 3 
1.2.2 基于分類卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法 6 
1.2.3 基于回歸卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法 10 
1.3 目標(biāo)檢測(cè)遷移學(xué)習(xí)研究現(xiàn)狀 13 
1.3.1 領(lǐng)域自適應(yīng)目標(biāo)分類方法 14 
1.3.2 領(lǐng)域自適應(yīng)目標(biāo)檢測(cè)方法 19 
1.4 問(wèn)題與不足 22 
1.5 研究?jī)?nèi)容及主要貢獻(xiàn) 22 
第2章 卷積神經(jīng)網(wǎng)絡(luò)及其在車輛檢測(cè)中的應(yīng)用案例 26 
2.1 卷積神經(jīng)網(wǎng)絡(luò) 26 
2.1.1 發(fā)展過(guò)程 26 
2.1.2 基本結(jié)構(gòu) 27 
2.1.3 訓(xùn)練方法 30 
2.1.4 研究進(jìn)展 30 
2.1.5 常用模型 32 
2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢測(cè)方法 33 
2.2.1 引言 33 
2.2.2 模型設(shè)計(jì) 35 
2.2.3 實(shí)驗(yàn)分析 37 
2.3 本章小結(jié) 41 
第3章 面向監(jiān)控場(chǎng)景的車輛檢測(cè)器遷移方法 42 
3.1 引言 42 
3.2 方法概述 44 
3.3 遷移車輛檢測(cè)器 45
3.3.1 遷移特征 45 
3.3.2 優(yōu)化結(jié)構(gòu) 47 
3.3.3 調(diào)整網(wǎng)絡(luò) 48 
3.4 實(shí)驗(yàn)分析 50 
3.4.1 UIUC 車輛數(shù)據(jù)集 51 
3.4.2 MIT 交通數(shù)據(jù)集 53 
3.4.3 UESTC 道路數(shù)據(jù)集 56 
3.4.4 討論分析 57 
3.5 本章小結(jié) 59 
第4章 面向監(jiān)控場(chǎng)景的目標(biāo)檢測(cè)器構(gòu)建方法 60 
4.1 引言 60 
4.2 方法概述 62 
4.3 遷移卷積神經(jīng)網(wǎng)絡(luò) 64 
4.3.1 預(yù)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò) 64 
4.3.2 選擇可用卷積核 64 
4.4 學(xué)習(xí)上下文信息 66 
4.4.1 上下文卷積神經(jīng)網(wǎng)絡(luò) 66 
4.4.2 參數(shù)訓(xùn)練過(guò)程 69 
4.5 估計(jì)邊界框 72 
4.6 實(shí)驗(yàn)分析 72 
4.6.1 實(shí)驗(yàn)數(shù)據(jù) 72 
4.6.2 實(shí)驗(yàn)設(shè)置 74 
4.6.3 行人檢測(cè) 75 
4.6.4 參數(shù)分析 78 
4.6.5 車輛檢測(cè) 82 
4.7 本章小結(jié) 84 
第5章 基于分類器回歸遷移方法的行人檢測(cè)研究 85 
5.1 研究現(xiàn)狀與問(wèn)題形成 85 
5.2 預(yù)備知識(shí) 87 
5.2.1 自編碼器神經(jīng)網(wǎng)絡(luò) 87 
5.2.2 ESVM 分類器 90
5.2.3 問(wèn)題定義 91 
5.3 源域數(shù)據(jù)集 91 
5.4 分類器回歸模型框架 93 
5.4.1 回歸標(biāo)簽數(shù)據(jù)的準(zhǔn)備 94 
5.4.2 基于自編碼器的回歸標(biāo)簽數(shù)據(jù)降維 95 
5.4.3 基于兩階段回歸網(wǎng)絡(luò)的映射學(xué)習(xí) 97 
5.5 基于分類器回歸的行人檢測(cè)框架 99 
5.6 實(shí)驗(yàn) 101 
5.6.1 目標(biāo)應(yīng)用場(chǎng)景介紹 101 
5.6.2 實(shí)驗(yàn)設(shè)置 103 
5.6.3 在目標(biāo)場(chǎng)景上的對(duì)比實(shí)驗(yàn) 104 
5.6.4 分析前端通用檢測(cè)器對(duì)性能的影響 108 
5.6.5 驗(yàn)證兩階段回歸方案的有效性 109 
5.6.6 如何確定回歸標(biāo)簽數(shù)據(jù)的降維程度 110 
5.7 本章小結(jié) 111 
第6章 基于自適應(yīng)分類器調(diào)整遷移方法的行人檢測(cè)研究 113 
6.1 研究現(xiàn)狀與問(wèn)題形成 113 
6.2 預(yù)備知識(shí) 115 
6.2.1 單層感知機(jī)的幾何意義 116 
6.2.2 問(wèn)題定義 117 
6.3 CNNDAC的算法框架 118 
6.4 模型訓(xùn)練方法 118 
6.4.1 CCNN子網(wǎng)絡(luò)訓(xùn)練方法 120 
6.4.2 MNN子網(wǎng)絡(luò)訓(xùn)練方法 123 
6.4.3 訓(xùn)練技巧 124 
6.5 檢測(cè)流程 125 
6.6 實(shí)驗(yàn) 126 
6.6.1 實(shí)驗(yàn)設(shè)置 126 
6.6.2 在目標(biāo)域應(yīng)用場(chǎng)景上的對(duì)比實(shí)驗(yàn) 129 
6.6.3 驗(yàn)證分類器調(diào)整的自適應(yīng)性 133 
6.6.4 驗(yàn)證CNNDAC中主要技術(shù)的有效性 135
6.7 本章小結(jié) 136 
第7章 基于自適應(yīng)特征調(diào)控遷移方法的行人檢測(cè)研究 137 
7.1 研究現(xiàn)狀與問(wèn)題形成 137 
7.2 預(yù)備知識(shí) 139 
7.2.1 卷積計(jì)算 140 
7.2.2 池化操作 141 
7.2.3 卷積神經(jīng)網(wǎng)絡(luò) 142 
7.3 MCNN的算法框架 147 
7.4 模型訓(xùn)練方法 149 
7.4.1 DyNN子網(wǎng)絡(luò)訓(xùn)練方法 149 
7.4.2 MNN子網(wǎng)絡(luò)訓(xùn)練方法 149 
7.4.3 檢測(cè)流程 152 
7.5 實(shí)驗(yàn) 152 
7.5.1 實(shí)驗(yàn)設(shè)置 152 
7.5.2 在目標(biāo)域應(yīng)用場(chǎng)景上的檢測(cè)結(jié)果 153 
7.5.3 驗(yàn)證特征圖權(quán)重預(yù)測(cè)的自適應(yīng)性 157 
7.5.4 驗(yàn)證特征圖權(quán)重預(yù)測(cè)技術(shù)的有效性 159 
7.6 本書所提三種域自適應(yīng)目標(biāo)檢測(cè)方法的橫向?qū)Ρ?nbsp;160 
7.7 本章小結(jié) 163 
第8章 基于記憶預(yù)測(cè)的目標(biāo)檢測(cè)方法 164 
8.1 引言 164 
8.2 方法概述 166 
8.3 基于記憶預(yù)測(cè)的分類模型 167 
8.3.1 序列生成 167 
8.3.2 特征提取 168 
8.3.3 記憶存儲(chǔ) 168 
8.3.4 訓(xùn)練策略 169 
8.4 基于記憶預(yù)測(cè)的回歸模型 170 
8.4.1 目標(biāo)檢測(cè)流程 170 
8.4.2 回復(fù)式卷積神經(jīng)網(wǎng)絡(luò) 171 
8.5 實(shí)驗(yàn)分析 172
8.5.1 實(shí)現(xiàn)細(xì)節(jié) 172 
8.5.2 行人檢測(cè) 173 
8.5.3 分析討論 177 
8.5.4 車輛檢測(cè) 180 
8.6 本章小結(jié) 182 
第9章 基于序列學(xué)習(xí)的行人檢測(cè)方法 184 
9.1 引言 184 
9.2 方法概述 186 
9.3 基于記憶預(yù)測(cè)的序列學(xué)習(xí)模型 188 
9.3.1 序列生成 188 
9.3.2 特征提取 188 
9.3.3 次序交換 189 
9.3.4 記憶存儲(chǔ) 190 
9.3.5 聯(lián)合學(xué)習(xí) 191 
9.4 基于序列學(xué)習(xí)的行人檢測(cè)模型 193 
9.5 實(shí)驗(yàn)分析 193 
9.5.1 實(shí)現(xiàn)細(xì)節(jié) 193 
9.5.2 INRIA行人數(shù)據(jù)集 194 
9.5.3 TUD行人數(shù)據(jù)集 195 
9.5.4 分析討論 197 
9.6 本章小結(jié) 199 
第10章 總結(jié)與展望 200 
10.1 全文總結(jié) 200 
10.2 工作展望 202 
參考文獻(xiàn) 204 
索引 224