基于全景图像的室内物体分类检测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 本文研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 第2章 全景图像采集系统设计 | 第13-26页 |
| 2.1 全景采集系统的硬件结构设计 | 第13-14页 |
| 2.1.1 系统组成 | 第13页 |
| 2.1.2 硬件系统搭建 | 第13-14页 |
| 2.2 全景采集系统的软件系统设计 | 第14-25页 |
| 2.2.1 鱼眼图像的校正 | 第15-18页 |
| 2.2.2 特征提取与特征匹配 | 第18-21页 |
| 2.2.3 图像配准与图像融合 | 第21-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于卷积神经网络的图像特征提取 | 第26-37页 |
| 3.1 前向传播算法 | 第26-28页 |
| 3.2 反向传播算法 | 第28-30页 |
| 3.3 卷积神经网络 | 第30-33页 |
| 3.4 基于卷积神经网络的特征提取 | 第33-36页 |
| 3.4.1 特征提取网络设计 | 第33-34页 |
| 3.4.2 卷积特征映射机制 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于深度学习的室内物体分类检测 | 第37-48页 |
| 4.1 室内物体分类检测网络的总体框架 | 第37页 |
| 4.2 目标候选区域算法 | 第37-42页 |
| 4.2.1 选择性搜索算法 | 第38-40页 |
| 4.2.2 候选区域网络 | 第40-42页 |
| 4.3 物体分类检测网络 | 第42-46页 |
| 4.3.1 空间金字塔池化 | 第42-44页 |
| 4.3.2 目标框位置回归网络 | 第44-45页 |
| 4.3.3 基于区域的分类检测网络 | 第45-46页 |
| 4.4 非极大值抑制算法选择最优目标框 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 综合实验及结果分析 | 第48-55页 |
| 5.1 全景图像数据集的搭建 | 第48-49页 |
| 5.2 分类检测网络的训练 | 第49-50页 |
| 5.3 实验结果分析 | 第50-54页 |
| 5.3.1 候选区域网络参数对结果影响 | 第50-52页 |
| 5.3.2 深度学习方法对于形变物体的检测性能 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
