多参数时序深度学习算法（引入深度残差收缩结构的SSD行人检测算法）

根据《基于深度学习的行人检测算法研究》所述，为了使改进后的算法在训练过程中能够更加稳定，检测精度更加准确，有学者提出了一种引入深度残差收缩网络结构的SSD算法，将算法中的分类网络替换成深度残差收缩网络结构DRSN-CW。

引入深度残差收缩结构的SSD行人检测算法

深度残差收缩结构(Deep Residual Shrinkage Network， DRSN)是一种基于深度残差网络(Deep Residual Network， ResNet)的改进结构， 其最初被发表在了IEEE Transaction on Industrial Informatics上，它被应用于机械故障诊断方面，是去噪的方法之一。该结构通常被应用到具有噪声的数据中，所以在机械故障诊断领域它有举足轻重的地位。在生产生活中经常使用的机械系统，其中存在很多振荡源，这些激振源在工作时通过旋转或啮合，可以激发许多振动，这就造成了采集的信号中夹杂着许多噪声。由于目标检测技术的蓬勃发展，人们应用目标检测方法检测振动信号，通过振动频率等因素来检测不同机械是否存在故障或破损等问题。除了在机械故障诊断中的应用，在深度学习中也可以应用于语音识别的问题中，用来滤除语音中混杂的噪声。因此，深度残差收缩网络结构也可以应用到目标检测中进行行人检测。在行人检测中主要检测的目标是行人，那么其他物品甚至背景都是干扰项即“噪声”，所以选择使用深度残差收缩结构替换 SSD 算法中的VGG16网络，在检测精度上有很明显的改善。

深度残差收缩网络

深度残差收缩网络是对深度残差网络的一种改进，其引入了软阈值的方法，减少不必要的特征。算法自主设置软阈值很复杂，所以通过加入注意力机制的方式来使得自动设置阈值成为了简单的事情，注意力机制对每张图像进行检查，注意到目标人物所在位置。

深度残差收缩网络原理图

实验结果表明，引入深度残差收缩网络结构的SSD行人检测方法在行人检测的实时性和准确性上均得到了优化。