文章摘要:目标检测是计算机视觉领域的重要研究方向。传统的目标检测方法在特征设计上花费了大量时间，且手工设计的特征对于目标多样性的问题并没有好的鲁棒性，深度学习技术逐渐成为近年来计算机视觉领域的突破口。本文对现有的基础神经网络进行研究，采用经典卷积神经网络VGGNet作为基础网络，添加部分深层网络，结合SSD(Single Shot MultiBox Detector)算法构建网络框架。针对模型训练中出现的正负样本不均衡问题，根据困难样本挖掘原理，在原有的损失函数中引入调制因子，将背景部分视为简单样本，减小背景损失在置信损失中的占比，使得模型收敛更快速，模型训练更充分，从而提高了复杂背景下的目标检测精度。同时，通过构建特征金字塔和融合多层特征图的方式，实现对低层特征图的语义信息融合增强，以提高对小目标检测的精度，从而提高整体的检测精度。仿真实验结果表明，本文提出的目标检测算法（FF-SSD,feature fusion based SSD）在复杂背景下对各种目标均可取得较高的检测精度。

文章关键词:目标检测,深度学习,SSD算法,复杂背景,困难样本,特征融合,

项目基金:国家自然科学基金项目(61771400),陕西省重点研发计划(2020GY-014),比较政治学研究 网址: http://bjzzxyj.400nongye.com/lunwen/itemid-75105.shtml

上一篇： 高等教育论文_高等教育普及化背景下研究生教育发展阶段划分与走向思考——基于国际比较视角
下一篇： 轻工业手工业论文_中国家居智能制造技术研究与应用进展