目標檢測是視頻監(jiān)控應用中的關鍵環(huán)節(jié)。在遠程監(jiān)控中，需要準確地檢測到目標，并將檢測到的數(shù)據(jù)快速傳輸?shù)街髡荆员悴扇∵M一步的行動。主要研究了一種利用深度神經(jīng)網(wǎng)絡和物聯(lián)網(wǎng)對目標進行檢測，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)集上訓練，YOLO-Lite + SPP模型在nonGPU平臺上的運行速度為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的平臺上，在218 fps的處理速度下，準確率和召回率分別達到89.79%和91.67%。ThingSpeak平臺已用于云數(shù)據(jù)接收。仿真結果驗證了該框架的有效性，也驗證了該框架適用于遠程視頻監(jiān)控。

1 Introduction

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

深度學習與機器學習的不同之處在于(圖1)，后者使用手動提取的特征，這些特征被進一步饋送到訓練算法中，而前者使用深度神經(jīng)網(wǎng)絡自動提取多個特征。這些復雜的特征被進一步用于目標分類和定位。深度神經(jīng)網(wǎng)絡(DNN)是一種具有多層感知器或具有許多隱藏層的網(wǎng)絡。典型的卷積神經(jīng)網(wǎng)絡由卷積層、激活函數(shù)、池化層和全連接網(wǎng)絡以及分類器組成。如果我們增加輸入和全連接網(wǎng)絡之間的隱藏層集，即卷積層和池化層，就形成了一個深度神經(jīng)網(wǎng)絡。深度學習是一種趨勢，因為

總結

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)站內容還不錯，歡迎將生活随笔推薦給好友。