基于深度学习的图像目标定位识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外的研究现状 | 第12-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 论文的组织安排 | 第14-16页 |
| 第二章 相关技术研究 | 第16-41页 |
| 2.1 图像分割算法 | 第16-23页 |
| 2.1.1 选择性搜索算法 | 第17-21页 |
| 2.1.2 边缘盒检测算法 | 第21-23页 |
| 2.2 图像特征提取技术 | 第23-27页 |
| 2.2.1 颜色特征提取法 | 第24页 |
| 2.2.2 纹理特征提取法 | 第24-25页 |
| 2.2.3 形状特征提取法 | 第25-26页 |
| 2.2.4 空间特征提取法 | 第26-27页 |
| 2.3 深度学习理论 | 第27-40页 |
| 2.3.1 人工神经网络介绍 | 第27-31页 |
| 2.3.1.1 感知器 | 第28-29页 |
| 2.3.1.2 激活函数 | 第29-31页 |
| 2.3.2 反向传播算法 | 第31-36页 |
| 2.3.2.1 梯度下降 | 第31-32页 |
| 2.3.2.2 BP算法的流程 | 第32-33页 |
| 2.3.2.3 BP算法的推导证明 | 第33-36页 |
| 2.3.2.4 关于局部最小值的问题 | 第36页 |
| 2.3.3 卷积神经网络 | 第36-40页 |
| 2.3.3.1 卷积和池化 | 第37-39页 |
| 2.3.3.2 softmax分类器 | 第39页 |
| 2.3.3.3 典型的CNN模型结构 | 第39-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 图像目标定位识别优化技术分析 | 第41-52页 |
| 3.1 基于卷积神经网络的特征提取 | 第41-45页 |
| 3.1.1 卷积神经网络对图像的高维特征表达 | 第41-44页 |
| 3.1.2 卷积特征的平移缩放遮挡特性 | 第44-45页 |
| 3.2 基于改进的估计目标网络图像分割 | 第45-51页 |
| 3.2.1 改进的估计目标网络 | 第46-49页 |
| 3.2.2 基于级联回归损失函数的构建 | 第49-51页 |
| 3.3 本章小结 | 第51-52页 |
| 第四章 卷积神经网络模型的设计 | 第52-63页 |
| 4.1 激活函数的设计 | 第52-54页 |
| 4.1.1 传统激活函数 | 第52-53页 |
| 4.1.2 指数线性单元 | 第53-54页 |
| 4.2 卷积和池化的设计 | 第54-56页 |
| 4.2.1 卷积核的设计 | 第54页 |
| 4.2.2 空间金字塔池化 | 第54-56页 |
| 4.3 分类器设计 | 第56-60页 |
| 4.3.1 支持向量机理论 | 第56-59页 |
| 4.3.2 支持向量机和softmax对比 | 第59-60页 |
| 4.4 模型框架设计 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于CNN的图像目标定位识别系统实现 | 第63-75页 |
| 5.0 系统的需求分析 | 第63页 |
| 5.1 系统结构设计 | 第63-64页 |
| 5.2 系统实现环境 | 第64-65页 |
| 5.3 训练数据集准备 | 第65-68页 |
| 5.3.1 Image Net数据集 | 第65页 |
| 5.3.2 Pascal VOC数据集 | 第65-67页 |
| 5.3.3 数据集预处理 | 第67-68页 |
| 5.4 卷积神经网络模型搭建 | 第68-72页 |
| 5.4.1 CUDA基础介绍 | 第68-69页 |
| 5.4.2 Caffe工具使用 | 第69-71页 |
| 5.4.3 模型搭建 | 第71-72页 |
| 5.5 卷积神经网络模型训练 | 第72-74页 |
| 5.5.1 模型预训练 | 第72-73页 |
| 5.5.2 模型交替训练策略 | 第73-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 基于CNN的图像目标定位识别系统测试 | 第75-82页 |
| 6.1 测试集准备 | 第75页 |
| 6.2 系统功能测试 | 第75-77页 |
| 6.2.1 测试图示 | 第75-77页 |
| 6.2.2 测试结论 | 第77页 |
| 6.3 模型性能测试 | 第77-81页 |
| 6.3.1 Pascal VOC测试 | 第77-80页 |
| 6.3.2 SVM分类器对比 | 第80页 |
| 6.3.3 模型性能评价 | 第80-81页 |
| 6.4 本章小结 | 第81-82页 |
| 第七章 总结与展望 | 第82-84页 |
| 7.1 总结 | 第82-83页 |
| 7.2 展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-89页 |
