Resumen

Desde el avance del aprendizaje profundo en la clasificación de objetos en 2012, se han logrado logros extraordinarios en el campo de la detección de objetivos, pero la alta complejidad temporal y espacial de la red de detección de objetivos basada en aprendizaje profundo ha impedido que la tecnología se aplique en productos reales. Para resolver este problema, en primer lugar, este artículo utiliza la red de clasificación MobileNet para optimizar la red de detección de objetivos Faster R-CNN. Los resultados experimentales en el conjunto de datos de detección de elementos de tierras raras muestran que la red de clasificación MobileNet no es adecuada para optimizar la red Faster R-CNN. Después de eso, este artículo propone una red de clasificación que combina VGG16 y MobileNet, y utiliza la red de fusión para optimizar la red de detección de objetivos Faster R-CNN. Los resultados experimentales en el conjunto de datos de detección de elementos de tierras raras muestran que la red de detección de objetivos Faster R-CNN optimizada por la red de

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Avance; Aprendizaje profundo; Detección de objetivos; MobileNet; Faster R-CNN; Red de clasificación
• Keywords:Breakthrough; Deep learning; Target detection; MobileNet; Faster R-CNN; Classification network