基于卷积神经网络目标检测算法的应用
何秀颖
【摘 要】近年来,卷积神经网络在图像分类、目标检测、图像语义分割等领域取得了一系列突破性的研究成果,其强大的特征学习与分类能力引起了广泛的关注,具有重要的分析与研究价值。随着我国科技化的快速发展，智能监控技术的应用也在快速的发展。智能监控技术现在主要是依靠目标检测来实现，但是，在传统的目标检测技术上还存在一些不足之处。比如，目检测效果不够好，误检率高等。因此，继续对目标检测算法进行研究和优化仍然具有重要意义。在本文中，将讨论深度卷积神经网络在目标检测任务中实际应用，同时该技术的产生对城市管理和智能监控技术的发展带来的深远意义。
【期刊名称】科技风
【年(卷),期】2018(000)024
【总页数】1
【关键词】智能监控；卷积神经网络；目标检测
随着信息技术的快速发展，全社会科技化发展的步伐逐年加快，不断带动了各个行业的科技化发展。尤其是在目标检测算法这一块的发展，伴随着深度学习卷积神经网络在目标检测上的使用，使得目标检测的精度，效率，类别都在不断的逐步优化，识别的准确率保持在高精度的水平上。同时，由于技术的先进，算法效果的优异，其应用的领域也在不断的扩大。
1 卷积神经网络简介
深层神经网络是目前的主要形式,其神经元间的连接模式受启发于动物视觉皮层组织,而卷积神经网络则是其中一种经典而广泛应用的结构.卷积神经网络的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度,减少训练参数的数目,使模型对平移、扭曲、缩放具有一定程度的不变性,并具有强鲁棒性和容错能力,且也易于训练和优化。
卷积神经网络(Convolutional Neural Network)，是在机器学习中常用的深度前馈神经网络。卷积神经网络的基本组成包括卷积层，池化层，激励层和全连接层，它的基本结构由特征提取层和特征映射层组成。
卷积层将卷积计算运用于输入，将结果传递给下一层。同时，卷积模拟了单个神经元对视觉刺激的反应；池化层是在上层经过特征提取之后对特征矩阵进行划分，然后通过在每个区域上计算该区域内特征的均值或最大值来参与后续的训练；激励层是将卷积层的输出结果进行非线性映射；全连接层是把每一层的神经元与另一层神经元连接起来，其原理与传统的多层感知器神经网络基本相同。
本文来源：https://www.2haoxitong.net/k/doc/8a677129d2d233d4b14e852458fb770bf68a3bc4.html
文档为doc格式