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

基于深度网络的运动目标检测方法

摘要第6-7页
ABSTRACT第7-8页
符号对照表第12-13页
缩略语对照表第13-17页
第一章 绪论第17-25页
    1.1 运动目标检测的研究背景与意义第17-18页
    1.2 运动目标检测的国内外研究现状第18-20页
    1.3 运动目标检测方法分类第20-21页
    1.4 运动目标检测所面临的挑战第21-22页
    1.5 论文的研究内容与组织结构第22-25页
第二章 运动目标检测的基础理论第25-33页
    2.1 运动目标检测预处理知识第25-28页
        2.1.1 颜色空间第25-27页
        2.1.2 基于双线性插值的图像尺寸缩放第27-28页
    2.2 运动目标检测中的后处理方法第28-31页
        2.2.1 图像的滤波处理第28-29页
        2.2.2 图像的二值化第29-30页
        2.2.3 图像的形态学处理第30-31页
    2.3 运动目标检测的评价指标第31-32页
    2.4 本章小结第32-33页
第三章 基于深度全卷积网络的运动目标检测第33-53页
    3.1 引言第33-34页
    3.2 视频数据预处理第34-36页
        3.2.1 基于时域平均法的视频背景提取第34-35页
        3.2.2 视频图像颜色空间转换及尺寸缩放第35-36页
    3.3 卷积神经网络与全卷积网络第36-40页
        3.3.1 卷积神经网络第36-38页
        3.3.2 全卷积网络第38-40页
    3.4 基于深度全卷积网络的运动目标检测方法第40-43页
        3.4.1 自适应场景的运动目标检测整体框架第40-41页
        3.4.2 基于深度全卷积网络的运动目标检测整体结构第41页
        3.4.3 损失函数第41-42页
        3.4.4 Dropout第42页
        3.4.5 上池化第42-43页
        3.4.6 语义分割图像后处理方法第43页
    3.5 实验与结果分析第43-51页
        3.5.1 数据集介绍第43页
        3.5.2 实验参数设置第43-45页
        3.5.3 实验环境第45页
        3.5.4 实验结果与分析第45-51页
    3.6 本章小结第51-53页
第四章 基于深度残差网络与迁移学习的运动目标检测第53-73页
    4.1 引言第53页
    4.2 基于改进的时域平均法的视频背景提取第53-56页
        4.2.1 基于SuBSENSE算法的前景检测第53-55页
        4.2.2 背景图像的提取与实时更新第55-56页
    4.3 残差学习第56-60页
        4.3.1 梯度消失第56-58页
        4.3.2 残差学习机制第58-60页
    4.4 迁移学习第60-61页
    4.5 基于深度残差网络与迁移学习的运动目标检测方法第61-63页
        4.5.1 深度残差网络整体结构第62-63页
        4.5.2 残差网络结构与迁移学习方法第63页
    4.6 实验结果与分析第63-71页
        4.6.1 实验数据集第63-64页
        4.6.2 实验环境第64页
        4.6.3 实验参数设置第64-65页
        4.6.4 实验结果与分析第65-71页
    4.7 本章小结第71-73页
第五章 基于条件生成式对抗网络的运动目标检测第73-85页
    5.1 引言第73页
    5.2 生成式对抗网络第73-76页
        5.2.1 生成式对抗网络的原理第74页
        5.2.2 生成式对抗网络的优缺点第74-76页
    5.3 深度卷积生成式对抗网络与条件生成式对抗网络第76-78页
        5.3.1 深度卷积生成式对抗网络第76页
        5.3.2 条件生成式对抗网络第76-78页
    5.4 基于条件生成式对抗网络的运动目标检测方法第78-80页
        5.4.1 条件生成式对抗网络模型的结构第78-79页
        5.4.2 条件生成式对抗网络模型的训练方法第79-80页
    5.5 实验与结果分析第80-84页
        5.5.1 实验数据集第80页
        5.5.2 实验环境第80-81页
        5.5.3 实验参数设置第81页
        5.5.4 实验结果与分析第81-84页
    5.6 本章小结第84-85页
第六章 总结与展望第85-87页
    6.1 总结第85页
    6.2 展望第85-87页
参考文献第87-93页
致谢第93-95页
作者简介第95-96页

论文共96页,点击 下载论文
上一篇:基于特征学习和深度学习的高光谱影像分类
下一篇:基于深度学习的行人再识别研究