目標(biāo)檢測是視頻監(jiān)控應(yīng)用中的關(guān)鍵環(huán)節(jié)。在遠(yuǎn)程監(jiān)控中，需要準(zhǔn)確地檢測到目標(biāo)，并將檢測到的數(shù)據(jù)快速傳輸?shù)街髡荆员悴扇∵M(jìn)一步的行動(dòng)。主要研究了一種利用深度神經(jīng)網(wǎng)絡(luò)和物聯(lián)網(wǎng)對目標(biāo)進(jìn)行檢測，并將檢測到的信息以低傳輸速率傳輸?shù)皆贫说目蚣堋z測框架是基于YOLO- lite的組合，它是一個(gè)簡單版本的you only look once (YOLO)檢測器和空間金字塔池化(SPP)。在COCO數(shù)據(jù)集上訓(xùn)練，YOLO-Lite + SPP模型在nonGPU平臺(tái)上的運(yùn)行速度為40 fps, mAP為35.7%。在PASCAL VOC、COCO、TB-50和TB-100數(shù)據(jù)集上分析了該算法的性能。在基于GPU的平臺(tái)上，在218 fps的處理速度下，準(zhǔn)確率和召回率分別達(dá)到89.79%和91.67%。ThingSpeak平臺(tái)已用于云數(shù)據(jù)接收。仿真結(jié)果驗(yàn)證了該框架的有效性，也驗(yàn)證了該框架適用于遠(yuǎn)程視頻監(jiān)控。

1 Introduction

目標(biāo)檢測是一個(gè)非常熟悉的術(shù)語，涉及到目標(biāo)分類及其定位。它與場景理解和視頻分析密切相關(guān)，在行人檢測、人臉檢測、自動(dòng)駕駛汽車、視頻監(jiān)控等眾多應(yīng)用中都有一席之地。用于執(zhí)行目標(biāo)檢測的傳統(tǒng)技術(shù)主要依賴于不那么精確的手工特征和草率的特征訓(xùn)練架構(gòu)[1]。在復(fù)雜性增加的情況下，低級(jí)特性趨于飽和。由于深度學(xué)習(xí)領(lǐng)域的迅速發(fā)展，從圖像中提取復(fù)雜特征并進(jìn)行高精度分析是可行的。

深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的不同之處在于(圖1)，后者使用手動(dòng)提取的特征，這些特征被進(jìn)一步饋送到訓(xùn)練算法中，而前者使用深度神經(jīng)網(wǎng)絡(luò)自動(dòng)提取多個(gè)特征。這些復(fù)雜的特征被進(jìn)一步用于目標(biāo)分類和定位。深度神經(jīng)網(wǎng)絡(luò)(DNN)是一種具有多層感知器或具有許多隱藏層的網(wǎng)絡(luò)。典型的卷積神經(jīng)網(wǎng)絡(luò)由卷積層、激活函數(shù)、池化層和全連接網(wǎng)絡(luò)以及分類器組成。如果我們增加輸入和全連接網(wǎng)絡(luò)之間的隱藏層集，即卷積層和池化層，就形成了一個(gè)深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)是一種趨勢，因?yàn)?/p>

總結(jié)

以上是生活随笔為你收集整理的基于深度学习的物联网远程监控目标检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。