摘要
摘要
近年来，随着硬件计算能力和深度学习的快速发展，在计算机视觉领域的技术
也愈发完善。物体识别作为长久以来计算机视觉领域的热门课题，一直备受研究
人员关注。相较于传统物体识别算法，拥有强大特征提取能力的深度学习算法在
准确度与速度上都取得了巨大提升。然而，算法对众多多余候选区域的操作耗时
成为了实际应用中提高算法速度的阻碍。针对此问题，本文选择了强化学习策略
以达到生成更少候选框的目的。而现有强化学习技术往往从图片的整个区域开始
定位迭代，缺少了更快更便捷的迭代方法。结合上述问题，本文从减少候选区域
的数量和强化学习动作迭代的次数出发，提出了结合热力图的强化学习物体识别
方法。主要工作如下：
1.通过热力图和强化学习解决物体识别任务。设计了一种新的注意力机制—
—热力图修正方法应用于图像分类中，通过及时修正神经网络当前关注的错误区
域，使其探索其他可能包含重要信息的区域，从而避免因过于关注错误区域导致
的错误预测结果，最终在CIFAR10数据集上提高了基线模型1.76%的分类准确率。
提出了联合热力图的深度强化学习算法用于解决单目标检测任务，通过热力图展
示出神经网络中自带的位置信息，用在强化学习的初始定位框生成上可以减少动
作迭代次数，更快地找到最佳的物体定位框，与开源算法比较在检测速度上本文
算法有明显的优势。
2.针对多目标图像的定位任务，借助热力图的重要信息定位能力可生成可能
包含物体的多个初始定位框，再使用强化学习进行定位框迭代，解决多目标物体
定位的问题。同时设计了新的定位框判别器，根据IoU和物体尺度信息判断出定
位效果更佳的定位框。在VOC2007数据集上刷新了9个类的最佳定位准确率，且
与主流强化学习算法相比，在训练迭代次数以及计算量上具备明显的优化。
3.结合本文设计的强化学习在物体识别上的算法，设计了一套具有较强数据
实时性的“铁轨环境检测系统”，能够检测火车并进行实时报警，增加了铁轨环
境中的安全保护，减轻了相关人员的人力监督成本。
由此，本文是针对图像物体识别领域，尝试从减少候选区域的数量和动作迭代
次数优化强化学习过程，并重点采用了热力图来优化强化学习物体识别过程，并
基于所提技术实现了一个“铁轨环境检测系统”开展技术验证。
关键词：强化学习，物体识别，热力图，多目标检测
I
ABSTRACT
ABSTRACT
Inrecentyears,withtherapiddevelopmentofhardwarecomputingcapabilitiesand
deeplearning,thetechnologyinthefieldofcomputervisionhasbecomeincreasingly
sophisticated.Objectrecognition,asahottopicinthefieldofcomputervisionfora
longtime,hasattractedtheattentionofresearchers.Comparedtotraditionalobject
recognitionalgorithms,deeplearningalgorithmswithpowerfulfeatureextraction
capabilitieshavemadesignificantimprovementsinaccuracyandspeed.However,the
time-consumingoperationsofthealgorithmsonnumerousredundantregionproposals
havehinderedtheimprovementofalgorithmspeedinpracticalapplications.Toaddress