需要金币： 1000 个金币 |
资料包括：完整论文 |  |
 |
| 转换比率：金额 X 10=金币数量， 例100元=1000金币 | 论文字数：11206 |  | |
| 折扣与优惠：团购最低可5折优惠 - 了解详情 | 论文格式：Word格式(*.docx) |  |
摘 要
在图像的传输过程中，我们往往会通过在发送端对图像进行下采样并在接收端使用上采样恢复图像的方法来达到降低带宽的目的。最近的研究致力于探究面向人眼视觉友好的上采样技术，然而，图像的目标检测在很多领域都有着广泛的应用，面向机器识别友好的上采样技术被忽略了。
因此，本文将研究面向YOLO的图像上采样技术，可以让图像在采样过程中保留更多对YOLO机器检测有效的信息，提高识别率。
首先，本文通过原图与采样后图片经YOLO识别的对照实验证明了传统的基于插值的上采样方法会丢失许多图像信息，对于YOLO识别的效果不佳。
为了能提高图片上采样后YOLO的识别率，本文结合VDSR模型，提出了一种基于卷积神经网络的图像上采样技术，并设计了四种不同的损失函数版本的模型。
最后通过实验数据可以看出，相比起传统的基于插值的上采样方法，基于卷积神经网络的图像上采样技术在YOLO识别上都有着不错的性能，其中，基于SSIM Loss的模型效果最佳，能最大限度地恢复图像信息，提高机器识别率。
关键词：YOLO，图像识别，上采样，卷积神经网络
目 录
第一章 绪论 1
1.1 课题背景及研究意义 1
1.2 国内外研究概况 1
1.3 论文主要工作及其章节安排 1
第二章 YOLO介绍 3
2.1 概述 3
2.2 YOLO的网络结构 3
2.2.1 核心思想 3
2.2.2 网络结构 4
2.3 评估指标 5
2.3.1 Precision和Recall 5
2.3.2 IoU 5
2.3.3 MAP 5
2.3.4 本文的MAP计算代码 6
第三章 传统的图像上采样方法 7
3.1 基于内插值的方法 7
3.1.1 最邻近插值法 7
3.1.2 双线性插值法 7
3.1.3 双三次线性插值法 7
3.2 原图与采样后图片经YOLO识别的对比 7
3.2.1 实验介绍 7
3.2.2 实验方法详述 7
3.2.3 实验结果分析 8
第四章 基于卷积神经网络的图像上采样技术 9
4.1 实验概述 9
4.2 VDSR 9
4.3 网络结构 9
4.4 损失函数 9
4.4.1 MSE Loss 10
4.4.2 VGG Loss 10
4.4.3 SSIM Loss 10
4.5 数据准备 11
4.5.1 数据增强实验 11
4.5.2 数据预处理 12
4.6 实验过程 12
第五章 实验结果与分析 14
5.1 实验结果 14
5.2 结果分析 14
第六章 总结 16
6.1 全文总结 16
参考文献 17
致 谢 18 |
