采用深度卷积神经网络方法的毫米波图像目标检测

TN959.1; 通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品.该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络.为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试.实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94％,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值....

Full description

Saved in:
Bibliographic Details
Published in:电讯技术 2019, Vol.59 (10), p.1121-1126
Main Authors: 陈国平, 程秋菊, 黄超意, 周围, 王璐
Format: Article
Language:Chinese
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:TN959.1; 通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品.该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络.为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试.实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94％,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值.
ISSN:1001-893X
DOI:10.3969/j.issn.1001-893x.2019.10.002