首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

特定动态小目标快速识别与跟踪技术研究

摘要第4-5页
Abstract第5-6页
第一章 绪论第9-18页
    1.1 序言第9页
    1.2 国内外研究进展第9-15页
        1.2.1 哈尔角点检测器(Haris Corner Detection)第9-10页
        1.2.2 尺度不变特征变化(Scale Invariant Feature Transform,SIFT)第10-11页
        1.2.3 梯度方向直方图(Histogram of oriented gradient,HOG)第11-12页
        1.2.4 积分图像以及harr-like特征第12-14页
        1.2.5 SURF第14页
        1.2.6 区域提案-卷积神经网络(R-CNN)第14-15页
    1.3 本论文主要研究内容第15-16页
    1.4 本章小结第16-18页
第二章 人工神经网络及卷积神经网络理论第18-29页
    2.1 卷积神经网络(convolutional neural networks, CNN)第18-27页
        2.1.1 人工神经网络第18-24页
        2.1.2 卷积神经网络第24-27页
    2.2 本章小结第27-29页
第三章 基于深度学习的识别网络的建立第29-45页
    3.1 数据库的建立第29-31页
    3.2 多层卷积神经网络分类器的建立第31-43页
        3.2.1 残差网络第32-33页
        3.2.2 提取特征的网络结构第33-36页
        3.2.3 填充操作(padding)和图像退化第36-37页
        3.2.4 边框(bounding box)坐标预测第37-39页
        3.2.5 联合判断类比以增加准确率第39页
        3.2.6 特定目标检测器的检测指标第39-43页
    3.3 本章小结第43-45页
第四章 追踪过程的实现第45-50页
    4.1 卡尔曼滤波器第45-48页
    4.2 匈牙利算法第48页
    4.3 本章小结第48-50页
第五章 实验过程以及实验结论第50-56页
    5.1 实验设备第50页
    5.2 实验结果以及分析第50-55页
        5.2.1 构建针对小目标增强的基于卷积神经网络的特定目标快速检测器第50-53页
        5.2.2 联合卡尔曼滤波以及匈牙利算法完成特定目标的快速跟踪第53-55页
    5.3 本章小结第55-56页
第六章 结论及展望第56-59页
    6.1 总结第56-57页
    6.2 主要的创新点第57-58页
    6.3 工作展望第58-59页
致谢第59-60页
参考文献第60-63页
附录第63页

论文共63页,点击 下载论文
上一篇:两种龙葵属植物修复镉污染钙质农田土壤的对比研究
下一篇:基于微服务的水电站手机端监测系统的开发与研究