基于CNN的卷积目标检测方法

"神经网络结构设计-i.mx_6_g2d_api_user's_guide" 这篇文档主要介绍了基于卷积神经网络（CNN）的神经网络结构设计，用于目标检测和分类任务。文档提到了以下几点关键知识点： 1. **训练框架**：在训练阶段，使用了Theano框架构建和训练神经网络模型。Theano是一个开源的Python库，能够定义、优化并求值数学表达式，特别适合用于深度学习。 2. **网络结构**：网络包含了两个卷积层（Convolutional Layers）。卷积层1有16个大小为5x5的卷积核，进行卷积操作后，通过最大池化（MaxPooling）将图像尺寸减小至32x16的特征图。接着是卷积层2，它有16个3x3的卷积核，最大池化窗口大小为2x2，输出特征图尺寸为15x7。 3. **全连接层与Softmax**：卷积层之后是一个全连接层（Fully Connected Layer），全连接层的作用是将特征图的局部特征转化为全局的决策。最后通过Softmax函数进行分类，Softmax可以将多类别的输出转换成概率分布，便于选择最高概率的类别作为预测结果。 4. **目标检测的调整**：在目标检测任务中，网络结构稍作修改，将最后一层全连接层替换为一个卷积层。这样做的目的是保持整个网络结构的卷积特性，使得可以处理任意大小的输入。新全连接层的滤波器参数使用分类器的全连接层参数初始化。 5. **输出判断**：输出的类别通过公式`type = T(max(P))`确定，其中`P`是一个N×1矩阵，表示每个类别的概率，取概率最大的类别作为输出。阈值函数r设定为0.75，当概率大于这个阈值时，才会识别为目标。 6. **数据集**：实验使用了自录的交通视频作为测试集，包含行人作为检测目标。为了评估，从视频中截取了500张图片，并标注了行人的位置。位置由左上角和右下角像素坐标表示。 7. **评估标准**：正确检测的标准是在扩大后的概率分布图上，落在行人框内的点比例超过50%视为正确检测。 8. **应用领域**：这种基于CNN的目标检测方法适用于视频中的行人检测，与其他传统方法相比，具有更高的鲁棒性和更快的速度，能更准确地定位目标。 关键词：卷积神经网络（CNN）、目标检测、Theano框架、全连接层、Softmax、数据集、评估标准。