物体检测算法YOLOv3的改进开题报告
2020-02-10 22:43:26
1. 研究目的与意义（文献综述）
研究目的
本毕业设计拟针对自动驾驶数据集bdd100k，针对物体检测算法yolov3提出一种改进思路，以提高算法在此数据集上的物体检测性能。
研究意义
计算机视觉中物体的检测、跟踪、识别是最基本的几个目标，而其中又以物体检测最为重要和基础。物体检测广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。不仅如此，物体检测同时也是泛身份识别领域的一个基础性的算法，它对后续的人脸识别、步态识别、人群计数、实例分割等任务也起着至关重要的作用。
国内外研究现状
自2012年hinton课题组通过构建的 cnn 网络alexnet在imagenet图像识别比赛一举夺得冠军后，神经网络开始受到广泛的关注。深度学习利用多层计算模型来学习抽象的数据表示，能够发现大数据中的复杂结构，现在深度学习已成功地应用在包括计算机视觉领域在内的多种模式分类问题上，物体检测算法也在此期间得到了较为快速的发展。
2. 研究的基本内容与方案
研究的基本内容
深入学习并理解物体检测算法yolov3并掌握物体检测的任务、方法与评价指标，理解yolov3算法所使用的主干网（backbone network）、bounding box priors、bounding box分类与定位等技术细节。
基于现有的yolov3算法，针对自动驾驶数据集bdd100k，提出一种yolov3算法的改进方案，提高算法在此数据集上的物体检测性能。
研究目标
检测性能提升的具体目标
3. 研究计划与安排
进度安排具体如下：
| 时间段 | 进度安排 |
|---|---|
| 2019/03/01-2019/03/15 | 设计整体系统架构 |
| 2019/03/16-2019/03/31 | 针对已有算法开发程序雏形 |
| 2019/04/01-2019/04/20 | 根据已有算法理论提出改进方案，并针对程序雏形进行小规模测试 |
| 2019/04/21-2019/04/30 | 选择最优改进方案，针对方案完善程序开发，并进行系统化的测试。 |
| 2019/05/01-2019/05/20 | 撰写并修改毕业论文 |
| 2019/05/21-2019/05/25 | 论文查重及翻译 |
| 2019/05/26-2019/06/05 | 准备毕业答辩 |
4. 参考文献（12篇以上）
[1] j. redmon and a. farhadi, “yolov3: an incremental improvement”. arxiv preprint arxiv:1804.02767, 2018.
[2] j. redmon and a. farhadi, "yolo9000: better, faster, stronger," 2017 ieee conference on computer vision and pattern recognition (cvpr), honolulu, hi, 2017, pp. 6517-6525.
[3] j. redmon, s. divvala, r. girshick and a. farhadi, "you only look once: unified, real-time object detection," 2016 ieee conference on computer vision and pattern recognition (cvpr), las vegas, nv, 2016, pp. 779-788.
