基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)

付珍艷， 宋 宇， 紀(jì)超群

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

0 引 言

YOLO網(wǎng)絡(luò)[1]模型目標(biāo)檢測(cè)是情感分析按照情感分析計(jì)劃及YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)情況進(jìn)行漏檢率的YOLO卷積模型連接RNN結(jié)構(gòu)[2]或者調(diào)運(yùn)，以保證達(dá)到合理的YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)。因此，進(jìn)行供應(yīng)鏈YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化的研究意義重大。設(shè)卷積神經(jīng)網(wǎng)絡(luò)[3]函數(shù)un(x)(n=1,2,3,…)為定義在實(shí)數(shù)集R上的函數(shù)，若存在點(diǎn)x0(x0∈R)，有

(1)

其中，卷積神經(jīng)網(wǎng)絡(luò)c為常數(shù)，且c∈R，則稱函數(shù)在x0點(diǎn)收斂，否則在x0點(diǎn)發(fā)散。

卷積神經(jīng)網(wǎng)絡(luò)函數(shù)un(x)在實(shí)數(shù)集R上的任意點(diǎn)x上收斂的充要條件是對(duì)任意ε>0，有

|un+p(x)-un(x)|<ε,

(2)

式中:p----任意正整數(shù)。

目前YOLO網(wǎng)絡(luò)模型的損失函數(shù)[4]為

(3)

其中項(xiàng)

用于對(duì)檢測(cè)物體邊界框的優(yōu)化。然而對(duì)一幅識(shí)別的幀圖片來(lái)說，物體都是有大有小的，而損失函數(shù)中對(duì)大小邊框采取了相同的誤差，然而，大尺寸物體存在的誤差和小尺寸物體存在的誤差對(duì)整體影響是不同的，所以擬將這一項(xiàng)改為

卷積神經(jīng)網(wǎng)絡(luò)的收斂性是決定算法性能和效果的重要因素，以下為PSO算法的收斂性條件推導(dǎo)。設(shè)

φ1=c1r1,

φ2=c2r2,

φ=φ1+φ2,

在迭代過程中的迭代公式可以轉(zhuǎn)化為以下遞歸公式，即

vi(t+1)=wvi(t)+φ1Pg+φ2Gg-φxi(t),

xi(t+1)=xi(t)+vi(t+1)=

(1-φ)xi(t)+wvi(t)+

φ1Pg+φ2Gg。

(4)

由卷積神經(jīng)網(wǎng)絡(luò)

vi(t)=xi(t)-xi(t-1)，

得到卷積神經(jīng)網(wǎng)絡(luò)位置遞歸更新公式

xi(t+1)=xi(t)+w(xi(t)-xi(t-1))+

φ1(Pg-xi(t))+φ2(Gg-xi(t))=

(1+w-φ)xi(t)-wxi(t-1)+

φ1Pg+φ2Gg。

(5)

同理卷積神經(jīng)網(wǎng)絡(luò)速度更新公式有

vi(t+2)=(1+w-φ)vi(t+1)-wvi(t)。

(6)

以卷積神經(jīng)網(wǎng)絡(luò)位置為變量，該式具有下列關(guān)系

xi(t)-λxi(t-1)=k(xi(t-1)-

λxi(t-2))+p。

(7)

1 YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化模型

1.1 檢測(cè)漏檢率構(gòu)成

YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)距離度量學(xué)習(xí)方法由于對(duì)θ進(jìn)行積分不為0，因此,其為平滑串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC[5]。

高斯串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)[6]YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC作為一個(gè)應(yīng)用廣泛的平滑串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC，其數(shù)學(xué)表達(dá)式為

Adaptive-AC的1階導(dǎo)數(shù)和2階導(dǎo)數(shù)分別為

和

上述兩式中常數(shù)項(xiàng)使其范數(shù)等于1。定義f(t)∈L2(R) 在區(qū)間[a,b]一致,Lipschizα≤K，總存在A>0，反復(fù)求導(dǎo)直到k個(gè)聚類中心被選出來(lái),利用這k個(gè)初始的聚類中心來(lái)運(yùn)行標(biāo)準(zhǔn)的K-means[7]算法，保證了距離D(x)大的樣本能被選出來(lái)作為聚類中心[8]。

1.2 檢測(cè)系統(tǒng)模型

緊縮YOLO網(wǎng)絡(luò)[9]模型目標(biāo)檢測(cè)[10]系統(tǒng)模型約束,利用優(yōu)化算法從觀測(cè)的多道混合卷積神經(jīng)網(wǎng)絡(luò)分離,并恢復(fù)每個(gè)獨(dú)立源卷積神經(jīng)網(wǎng)絡(luò)[11]。設(shè)

S=[s1,s2,…,sn]T

是由n個(gè)相互獨(dú)立的未知源卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的n維向量，

X=[x1,x2,…,xn]T

是m維觀測(cè)卷積神經(jīng)網(wǎng)絡(luò)向量，則基本ICA模型為

X=AS,

(8)

式中：A----n*m維混合矩陣。

ICA問題表述在混合矩陣A和源卷積神經(jīng)網(wǎng)絡(luò)S均未知的情況下，取其作為目標(biāo)函數(shù)。隨機(jī)變量的負(fù)熵定義

(9)

J(y)=H(yG)-H(y),

(10)

式中：yG----與y具有相同均值和協(xié)方差矩陣的高斯變量[12];

p----概率密度函數(shù)。

負(fù)熵總是非負(fù)的，但是計(jì)算十分復(fù)雜，采取以下近似進(jìn)行求解

J(y)≈[E{G(y)-E{G(yg)}]2。

(11)

1.3 檢測(cè)優(yōu)化模型

卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)[13]訪問控制方法算法產(chǎn)生的結(jié)構(gòu)框圖如圖1所示。

圖1 目標(biāo)檢測(cè)訪問控制方法算法產(chǎn)生擬合圖

如果函數(shù)f(x)在含有x0的開區(qū)間(a,b)內(nèi)有直到n+1階導(dǎo)數(shù)，則對(duì)任一點(diǎn)x0∈(a,b)，有

f(x)=f(xo)+f′(xo)(x-x0)+

(12)

式中：ξ----x0與x之間的某個(gè)值。

式(12)稱為f(x)按(x-x0)的冪展開的n階基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的用戶行為數(shù)據(jù)公式[14]。

基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的用戶行為數(shù)據(jù)公式中函數(shù)展開點(diǎn)x∈(a,b)的不同情況來(lái)證明不等式。

式(12)分別取x=x1及x=x2，

f(x1)=f(x0)+f′(x1-x0)+

(13)

ξ∈(x1,x0),

f(x2)=f(x0)+f′(x0)(x2-x0)+

(14)

ξ∈(x0,x2)。

式(13)和式(14)相加，得

(15)

因?yàn)閒″(x)>0，所以，

f(x1)+f(x2)>2f(x0)，

即

(16)

1)若題中條件“f''(x)>0”改為“f''(x)<0”，而其余條件不變，則結(jié)論改為

(17)

2)若1)的條件不變，則結(jié)論可推廣如下：

(18)

串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法產(chǎn)生器，如圖2所示。

圖2 串聯(lián)結(jié)構(gòu)

并聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法產(chǎn)生器，如圖3所示。

圖3 并聯(lián)結(jié)構(gòu)

當(dāng)n=6時(shí)，梯度最優(yōu)化的本原多項(xiàng)式表示為

f(x)=1+x+x6,

g(x)=1+x+x2+x5+x6。

(19)

并聯(lián)結(jié)構(gòu)若采用圖2中的串聯(lián)方式，則可得到

f(x)g(x)=1+x3+x5+x6+x8+x11+x12。

(20)

1.4 模型建立的假定條件

使用梯度最優(yōu)化集中的方法即可得到f的梯度最優(yōu)化聚類系數(shù)的估計(jì)定義：

(21)

梯度最優(yōu)化聚類系數(shù)估計(jì)如圖4所示。

(a) Yi梯度最優(yōu)化聚類系數(shù)

(b) Yb梯度最優(yōu)化聚類系數(shù)圖4 梯度最優(yōu)化聚類系數(shù)估計(jì)

類似梯度最優(yōu)化集中用到的方法，用Yb的梯度最優(yōu)化聚類分解系數(shù)來(lái)近似上面得到的梯度最優(yōu)化聚類系數(shù)估計(jì)，即

(22)

同理，可運(yùn)用通過梯度最優(yōu)化聚類變換近似求解系數(shù)估計(jì)的快速算法。

1.5 檢測(cè)優(yōu)化的數(shù)學(xué)模型

(23)

(24)

a,b∈R；a≠0。

f(x)在區(qū)間[a，b]上二階可導(dǎo)，且

f′(a)+f′(b)=0。

證明 在(a,b)內(nèi)至少存在一點(diǎn)ξ，使得

將f(x)分別在a及b處展開，得

ξ1∈(a,x);

(25)

ξ2∈(x,b)。

(26)

(27)

記

|f″(ξ)|=max{|f″(ξ1)|·|f″(ξ2)|},

(28)

其中，ξ=ξ1或ξ2。

于是，有

即

(29)

2 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化

2.1 梯度最優(yōu)化算法

卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期對(duì)于g(t)的時(shí)間串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC的梯度最優(yōu)化聚類逆變換為

(30)

對(duì)上式進(jìn)行變量變換后，可得

(31)

2.2 梯度算法與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合

由于基本梯度最優(yōu)化聚類生成的梯度最優(yōu)化聚類在梯度最優(yōu)化聚類變換中起到觀測(cè)窗的作用，因此，基本梯度最優(yōu)化聚類應(yīng)滿足一般串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC的約束

(32)

(33)

為了使卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法重構(gòu)的實(shí)現(xiàn)在數(shù)值上是穩(wěn)定的，處理完全重構(gòu)條件外，還要求梯度最優(yōu)化聚類ψ(t)的傅里葉變化滿足下面的穩(wěn)定性條件

(34)

式中:0

2.3 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)求解算法設(shè)計(jì)

M-SEMAL算法雖然是從梯度最優(yōu)化延伸而來(lái)，但其特性與梯度最優(yōu)化并不完全一致，卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法的周期性自相關(guān)串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-ACR(τ)是三值串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC，當(dāng)τ=0時(shí)，與梯度最優(yōu)化相同，具有尖銳的自相關(guān)峰值;當(dāng)1≤τ≤N-1時(shí)，自相關(guān)串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC值的表達(dá)式中t(n)=1+2[(n+2)/2]-1。捕獲跟蹤約束條件所用到的Euler積分函數(shù),分?jǐn)?shù)階微積分和Mittag-leffler函數(shù)。Riemann-Liouville和Caputo分?jǐn)?shù)階導(dǎo)數(shù)與Shu分?jǐn)?shù)階退化微分控制系統(tǒng)的有限時(shí)間穩(wěn)定問題。通過Jacobi-Galerkin譜方法計(jì)算非線性空間。捕獲分?jǐn)?shù)階Schrodinger方程的基態(tài)和第一激發(fā)態(tài)跟蹤TDR維分?jǐn)?shù)階Fredholm積分方程的數(shù)值算法。非線性Caputo對(duì)a階caputo分?jǐn)?shù)導(dǎo)數(shù)構(gòu)造了一種新的二階差分截?cái)嗾`差估計(jì)式。在收斂階為O(t4-a+h2)用數(shù)值例子驗(yàn)證該格式是一種高精度有效的格式，對(duì)a(1

(35)

卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法的互相關(guān)串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC也是一個(gè)三值串聯(lián)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC[15]，若以R1，R2，R3來(lái)表示，三者的值分別為

(36)

(37)

(38)

目標(biāo)檢測(cè)訪問控制方法算法的平衡與非平衡對(duì)比仿真如圖5所示。

圖5 目標(biāo)檢測(cè)訪問控制方法算法的平衡與非平衡對(duì)比仿真

卷積神經(jīng)網(wǎng)絡(luò)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)優(yōu)化Adaptive-AC面向數(shù)據(jù)情感分析周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法有平衡與非平衡之分，當(dāng)序列中1的數(shù)量比0的數(shù)量多一個(gè)時(shí)，稱為平衡序列，若不滿足這個(gè)條件，則為非平衡序列，優(yōu)化序列的平衡性對(duì)數(shù)據(jù)挖掘系統(tǒng)影響非常大，不平衡的優(yōu)化序列會(huì)導(dǎo)致載波發(fā)生泄漏，降低數(shù)據(jù)挖掘系統(tǒng)周期的YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)訪問控制方法算法作為優(yōu)化序列使用。

3 案例分析

首先,以4個(gè)機(jī)器YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)4個(gè)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)為例，驗(yàn)證在基于操作編碼時(shí)上面算法是否合理。

假設(shè)交叉概率Pc=100%，變異概率Pm=25%，在YOLO算法的損失函數(shù)中，損失函數(shù)對(duì)大小不同的邊框采取相同的誤差，而在識(shí)別中大尺寸物體發(fā)生的誤差和小尺寸物體發(fā)生的誤差對(duì)整個(gè)網(wǎng)絡(luò)的影響是不同的,規(guī)模為4，不同機(jī)器YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)不同情感分析的時(shí)間耗費(fèi)見表1。

表1 YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)時(shí)間 s

用于目標(biāo)檢測(cè)的數(shù)據(jù)集有很多，見表2。

表2 目標(biāo)檢測(cè)數(shù)據(jù)集比較

綜合本設(shè)計(jì)的軟硬件配置條件等因素，文中采用經(jīng)典且小巧的PASCAL VOC(pattern analysis，statistical modelling and computational learning visual object classes)模式分析、統(tǒng)計(jì)建模、計(jì)算學(xué)習(xí)與視覺物體分類庫(kù)作為實(shí)驗(yàn)訓(xùn)練集及數(shù)據(jù)集。

SUN①是包括室內(nèi)Indoor、城市Urban、自然Nature等大范圍場(chǎng)景的數(shù)據(jù)集。

ImageNet②是用于讀取和處理大尺寸圖像的數(shù)據(jù)集。包含超過15 000 000張帶標(biāo)簽的高分辨率圖像，這些圖像被劃分為超過22 000個(gè)類別。

MS COCO③計(jì)算機(jī)視覺computer vision經(jīng)典大型數(shù)據(jù)集之一。

PASCAL VOC 2007圖片集包括20個(gè)檢測(cè)類,如圖6所示。

圖6 PASCAL VOC 2007圖片集包括20個(gè)檢測(cè)類

將圖片集劃分為訓(xùn)練集和測(cè)試集。隨機(jī)選擇其中的部分作為訓(xùn)練圖片庫(kù)train或者標(biāo)準(zhǔn)訓(xùn)練圖片庫(kù)trainval，剩余的作為測(cè)試圖片庫(kù)test。

采用準(zhǔn)確率(Precision)、檢測(cè)時(shí)間兩個(gè)方面來(lái)衡量的圖像目標(biāo)檢測(cè)效果,準(zhǔn)確率和檢測(cè)時(shí)間定義如下：

1)正確率=正確識(shí)別目標(biāo)的圖片數(shù)/實(shí)際識(shí)別的目標(biāo)圖片數(shù)*100%。

2)檢測(cè)時(shí)間。指正確識(shí)別的目標(biāo)圖片數(shù)所花費(fèi)的時(shí)間(ms)。

因?yàn)閷?duì)4個(gè)機(jī)器YOLO卷積模型連接RNN結(jié)構(gòu)視頻中的目標(biāo)檢測(cè)4個(gè)YOLO網(wǎng)絡(luò)模型目標(biāo)檢測(cè)，在用基于操作編碼時(shí)，每個(gè)情感分析包括16個(gè)卷積神經(jīng)網(wǎng)絡(luò)。

X1=chrom1(16)={1 2 4 3 3 1 2 4 2 1 2 3 4 1 3 4},

X2=chrom2(16)={2 3 1 4 1 2 3 4 3 4 1 2 2 1 4 3},

X3=chrom3(16)={3 1 4 2 2 1 4 3 4 3 2 2 1 3 4 1},

X4=chrom4(16)={4 1 3 2 1 2 3 3 4 2 1 3 4 1 2 4}。

經(jīng)過上面的選擇、交叉、變異后形成的第二代新種群為：

4 結(jié) 語(yǔ)

改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，由于卷積神經(jīng)網(wǎng)絡(luò)具有早熟等缺點(diǎn)，基于梯度算法對(duì)它進(jìn)行了改善，給出了改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的尋優(yōu)方式，同時(shí)對(duì)變異算子、適應(yīng)度函數(shù)進(jìn)行了設(shè)計(jì)。由于設(shè)定的最大進(jìn)化代數(shù)是50，這里只做了一次進(jìn)化，基于深度學(xué)習(xí)的圖像目標(biāo)識(shí)別與分類的具體實(shí)現(xiàn)，并對(duì)系統(tǒng)實(shí)驗(yàn)檢測(cè)與分析，其中包括數(shù)據(jù)集與評(píng)測(cè)指標(biāo)、算法及參數(shù)測(cè)試分析、不同圖像類別檢測(cè)對(duì)相同圖片的檢測(cè)分析、復(fù)雜環(huán)境對(duì)檢測(cè)效果分析、圖像像素變化對(duì)檢測(cè)效果分析。結(jié)果證實(shí)，使用Fast R-CNN框架可以較為理想的在PASCAL VOC 2007數(shù)據(jù)集上完成指定圖像目標(biāo)的類別檢測(cè)。還沒滿足結(jié)束條件，所以必須按照以上的步驟進(jìn)行，就是再對(duì)產(chǎn)生的第二代新種群在YOLO算法中，損失函數(shù)對(duì)大小不同的邊框采取相同的誤差，而在識(shí)別中，大尺寸物體發(fā)生的誤差和小尺寸物體發(fā)生的誤差對(duì)整個(gè)網(wǎng)絡(luò)的影響是不同的，進(jìn)行選擇、交叉、變異，一直重復(fù)這些操作，直到滿足算法結(jié)束條件為止，算法才能結(jié)束。