Page 114 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

降低了模型训练时的难度，将特征图减小到了原来的一半。由于较大的卷积层的
感受野较小，检测尺寸较大的目标，所以常常出现检测不出一些目标类别的情况，
使得 SVM 分类器很难对目标进行分类。经过池化层后可以减少神经网络中神经
元的数量，降低特征图的维度，增加了在检测过程中的不变性，并且预防了过拟

合的出现。在池化层进行检测的具体流程池化的具体操作与卷积层正向传播流程
类似，都是使用一个能够滑动的窗口将整张输入图片按照一定的顺序进行遍历，
之后再进行池化计算。
（3）全连接层

全连接层有多个神经元所连接而成，将绘制好的特征图输入全连接层之后，
特征图会立刻变成向量，然后向量会与全连接层中的每个神经元所连接，记录每
层连接层有多少神经元和向量的大小；卷积神经网络的预测结果由输出层输出，
在一定程度上来说，输出存在不严格的情况下，可以是卷积层或全连接层，对输

出的最终结果进行归类，在实验中，经常用 softmax 函数对最终的输出结果进行
处理，然后再分析数据的变量，做出概率分布图；在 SSD 算法所使用 VGG 基础
网络中含有激活函数，激活函数可以增强神经网络的非线性，并且由于神经网络
中的神经元的输入输出是层层递进的，在没有激活函数时整层网络就会导致断层

使输出的层层线性关系消失，不能表示目标特征的非线性化。
（三）深度学习的主流车辆检测算法
现阶段的深度学习目标检测算法主要可被分为两大类：第一类是单阶段的目
标检测算法。单阶段的检测方法只需把目标和分类转化为回归即可，具有检测速

度快，网络简单等优点。但是对于两阶段的检测算法来说，单阶段算法检测的精
确度相对较差，目前常用的 YOLO 算法、SSD 算法属于单阶段的目标检测算法。
第二类是两阶段的目标检测算法。两阶段的目标检测算法的步骤首先是进行图像
分割选出候选区域，然后再使用滑动窗口遍历图像进行分类和回归。两阶段的目

标检测算法模型具有检测精度高，定位准确的优点，但是由于检测步骤是分两步
进行，网络结构相对于单阶段目标检测来说较为复杂，所以检测速度较慢。
1.SSD 算法模型
基于深度学习的 SSD 算法一般有三种使检测精度提高的办法，匹配策略、

正负样本的平衡和数据增强。匹配策略是找到默认的检测框与真实标注框重叠部
分最大的检测框，如果检测框与真实标注框匹配，则把这个检测框归为正样本，

106