全文总字数：5090字
1. 研究目的与意义（文献综述）
1.1课题研究目的及意义
密集目标检测又是目标检测领域中一个十分具有挑战和现实意义的课题，从某种意义上来说，如果把目标检测对于深度学习的依赖仅仅限定在精准程度上，即有效性而非必要性上来考虑，那么考虑到其中关键问题如密集遮挡、重复检测或漏检等技术困难，密集目标检测对于深度学习算法的依赖性就是必不可少的。在本次的设计中，将实验场景设定在日常的香烟展示柜，用深度学习算法解决烟盒单元的分割问题，使每个烟盒能被独立地分割在一个矩形框内，为后续的对独立香烟盒上的防伪码校验做好准备工作。
1.2国内外研究现状
2. 研究的基本内容与方案
本设计主要是通过在基本神经网络中加入三层全卷积输出，bounding-box regression head（box（x，y，h，w）），classificationhead（objectness score），soft-iou layer，其中soft-ioulayer是为了用来区分重叠检测和抑制部分检测，以增加一个预测目录，设计损失函数为三者损失之和，通过rpn网络可以得到很多边界框，但是很多是和其他框有重合的，或者只框中了目标的一部分，由于得分高soft-nms/nms不能将它们去除，特别是在密集场景下，很多重叠在一起的检测框，分离十分困难。这里可以通过em-merger unit来有效抑制重复和重叠的检测框，通过高斯混合模型可以将它们合并到同一个检测图，以便解决每个对象的独立检测，具体来说将原始的单个物体的探测转化为以一个以探测目标为中心的簇，首先假定来自神经网络输出的n个矩形框由一系列二维高斯核产生，其中矩形框的中心是高斯核的均值，方差用来衡量矩形框的长宽。将这一系列的高斯核叠加得到了混合高斯模型，其中iou的占比决定了高斯混合模型中的混合系数。
这样就可以将其看作一个热力图，将原始的探测问题转换成了基于热力图来判定每个像素与ground truth交叠的置信度，每个区域的权重就是高斯核的混合系数，可以由soft-iou层的预测结果进行衡量。
不相交的矩形框探测可以采用高斯混合模型进行聚类得到，假定所有最终的矩形框都是由高斯混合模型生成的，那么只要根据数据推出混合模型的概率分布来就可以了，然后混合模型的k个组成部分就对应了k个簇，也就是k个矩形框。
3. 研究计划与安排
第1周—第3周 搜集资料，撰写开题报告；
第4周—第5周 论文开题；
第6周—第12周 撰写论文初稿；
4. 参考文献（12篇以上）
[1] erangoldman, roei herzig, aviv eisenschtat, jacob goldberger, tal hassner, precisedetection in densely packed scenes. in proc.conf.comput. vision patternrecognition, 2019, pp. 5227–5236.
[2] tsung-yilin, priyal goyal, ross girshick, kaiming he, piotr dollar, focal loss fordense object detection .ieee transactions on pattern analysis and machine intelligence,2018,pp. 1-1.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
