复杂场景下基于深度学习的物体检测与识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 引言 | 第15-16页 |
| 1.2 物体检测与识别发展概述 | 第16-20页 |
| 1.2.1 相关流程与算法简介 | 第16-18页 |
| 1.2.2 深度学习算法 | 第18-20页 |
| 1.3 物体检测与识别算法分析 | 第20页 |
| 1.4 本论文的主要研究工作和章节安排 | 第20-23页 |
| 第二章 卷积神经网络与物体检测/识别简介 | 第23-35页 |
| 2.1 卷积神经网络的原理 | 第23-28页 |
| 2.1.1 卷积层 | 第23-26页 |
| 2.1.2 池化层 | 第26-27页 |
| 2.1.3 Softmax层 | 第27-28页 |
| 2.2 卷积神经网络的网络结构 | 第28-29页 |
| 2.3 场景检测算法 | 第29-32页 |
| 2.3.1 滑动窗口法和选择性搜索法 | 第29-30页 |
| 2.3.2 SPP-net | 第30-31页 |
| 2.3.3 Faster R-CNN | 第31-32页 |
| 2.4 压缩感知理论介绍 | 第32-33页 |
| 2.4.1 压缩感知编码模型 | 第32-33页 |
| 2.4.2 压缩感知解码模型 | 第33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于压缩感知的图像显著性检测及窗口标定 | 第35-53页 |
| 3.1 压缩感知测量域与频域的相关性 | 第35-37页 |
| 3.2 测量域图像显著性检测与显著块图生成算法 | 第37-47页 |
| 3.2.1 显著图像素域与CS测量域映射关系 | 第37-42页 |
| 3.2.2 CS测量域显著块图生成方法 | 第42-44页 |
| 3.2.3 显著块图实验结果及分析 | 第44-47页 |
| 3.3 基于显著块图的窗口标定方法 | 第47-51页 |
| 3.3.1 算法原理 | 第47-48页 |
| 3.3.2 算法步骤 | 第48-50页 |
| 3.3.3 窗口标定结果与分析 | 第50-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 基于快速特征融合的物体识别算法 | 第53-71页 |
| 4.1 基于深度学习的快速特征融合网络 | 第53-65页 |
| 4.1.1 深度学习特征提取 | 第54-56页 |
| 4.1.2 基于遗传算法的多特征融合 | 第56-61页 |
| 4.1.3 类内融合特征的局部选择方法 | 第61-65页 |
| 4.2 实验结果与分析 | 第65-70页 |
| 4.2.1 实验环境与样例 | 第65页 |
| 4.2.2 实验一：融合向量中各向量权重分配 | 第65-66页 |
| 4.2.3 实验二：平均类内及类间距离 | 第66-68页 |
| 4.2.4 实验三：特征分类精度及训练用时 | 第68-69页 |
| 4.2.5 实验四：模型可扩展性 | 第69-70页 |
| 4.3 本章小结 | 第70-71页 |
| 第五章 特定物体识别应用软件设计与实现 | 第71-85页 |
| 5.1 特定车辆检测系统设计方案 | 第71-75页 |
| 5.1.1 软件需求分析 | 第71页 |
| 5.1.2 检测算法原理分析 | 第71-74页 |
| 5.1.3 系统整体架构 | 第74-75页 |
| 5.2 特定车辆检测系统实现细节 | 第75-79页 |
| 5.2.1 网络及硬件参数 | 第75-77页 |
| 5.2.2 业务逻辑实现流程 | 第77-78页 |
| 5.2.3 模型检测实现流程 | 第78-79页 |
| 5.3 特定车辆检测系统成果展示 | 第79-83页 |
| 5.4 本章小结 | 第83-85页 |
| 第六章 总结与展望 | 第85-87页 |
| 6.1 论文总结 | 第85页 |
| 6.2 展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 作者简介 | 第93-94页 |
