论文总字数：30541字

摘 要

随着互联网、移动互联网的飞速发展，人们越来越希望产品能更加智能化、人性化，为实现这一理想，机器学习越来越被广泛研究和应用。同时，机器学习的迅速发展使得人们无需手工设计特定的特征提取算法，打破了计算机视觉领域的发展瓶颈。本文完成了室内走廊场景中数据集的收集和标注，对基于YOLO算法的物体检测的训练策略和学习率设置进行了研究，旨在改善特殊数据集下YOLOv3算法的精确度。

（1）解冻网络所有层级，分步训练模型，第一阶段从0开始训练，第二阶段微调网络权重，并设置回调函数监测精确度以及时调整学习率。结果表明，分步训练所有网络层级能在最终达到较低损失值，明显优于默认设置。

（2）基于分步训练提出了两种学习率设置方案并进行了对比。利用回调函数监测验证损失值，及时减小学习率，构成阶梯型衰减学习率；寻找最适学习率区间，采用三角形循环学习率和指数衰减循环学习率分别进行模型第一阶段和第二阶段的训练。结果表明，基于循环学习率的YOLO算法能在训练结束时达到更低的损失值。

关键词：机器学习，物体检测，数据集制作，分步训练，阶梯衰减学习率，循环学习率

ABSTRACT

With the rapid development of Internet and Mobile Internet, people increasingly desire more intelligent and more humanized products. To achieve this ideal, machine learning is being more and more widely studied and applied. Meanwhile, machine learning improving rapidly makes human free from designing a particular feature extraction algorithm for one particular object which is a tough work and breaks the technical bottleneck in computer vison for many years. This article completes the collection and tagging of datasets in indoor corridor, and researches in the training policy and learning rate in order to improve the accuracy of object detection in particular situation based on YOLOv3.

(1) Unfreeze all of the layers and train the model by stages. In the first phase, the article trains model from zero and in the second phase, fine tune the weights of networks and utilize the callbacks to modify learning rate in time. The results show that training networks by steps can obtain a lower loss and val_loss than the default setting.

(2) Put forward to two kinds of learning rate setting and contrast them. 1)Utilize callbacks to detect val_loss and reduce learning rate in time, which is a type of step decay learning rate; 2) Find the fittest learning rate region, adopt triangular cycle learning rate in the first stage, triangular2 cycle learning rate in the second stage respectively. The results show that YOLOv3 with cycle learning rate could reach a lower point at the end of training.

KEY WORDS: Machine Learning, Object Detection, Make Dataset, Train by Steps, Step Decay Learning Rate, Cycle Learning Rate

目 录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 研究背景与意义 1

1.1.1 研究背景 1

1.1.2 研究意义 2

1.2 国内外研究综述 3

1.2.1 主流深度网络 3

1.2.2 基于CNN的目标检测框架 4

1.3本文的组织结构 5

第二章 基础理论和相关技术 7

2.1物体检测 7

2.2卷积神经网络介绍 8

2.3卷积神经网络相关算法 9

2.3.1 R-CNN 9

2.3.2 YOLO 11

2.3.3 SSD 13

2.4本章小结 14

第三章 基于YOLO模型的室内走廊特征识别算法研究 16

3.1数据集制作 17

3.1.1 人 17

3.1.2 门、窗、楼梯 17

3.2算法设计 20

3.2.1 网络结构 21

3.2.2 训练策略设计 22

3.2.3 anchor先验框获取 23

3.3 学习率 24

3.3.1 阶梯型衰减学习率 24

3.3.2 循环学习率 26

3.4实验结果展示与分析 30

3.6本章总结 31

第四章 总结与展望 32

致 谢 33

参考文献 34

第一章 绪论

1.1 研究背景与意义

1.1.1 研究背景

从第一次工业革命机械解放劳动力，进入“蒸汽时代”，到第二次工业革命电力显著提高能源利用效率，进入“电气时代”，再到如今的“信息时代”。随着互联网和移动互联网的，世界正在逐渐迈入物联网时代，远程控制、智慧城市、智慧仓库等都是这一时代的产物。渐渐地，人们对产品又有了更高的需求，希望它们能更人性化、智能化，能不仅仅是做些简简单单的重复劳作，甚至能够代替人去思考。为了实现这一目标，新一轮的技术革命—机器学习飞速发展起来。

机器学习是实现人工智能的一种方法，机器学习将软硬件产品的功能变得更加智能化，能做到我们之前认为不可能的事情，甚至颠覆各类互联网和嵌入式系统产品。以前我们希望购物网站、招聘网站、论坛能更加懂我们的喜好，推荐给我们最适合的条目，而现在，机器学习能很好的利用信息化时代中的大数据，进行一些人工所不能做到的计算。

剩余内容已隐藏，请支付后下载全文，论文总字数：30541字