基于YOLO V3的航拍车辆图像检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 目标检测技术研究现状 | 第11-12页 |
| 1.2.2 航拍车辆检测研究现状 | 第12-14页 |
| 1.3 论文研究内容及章节安排 | 第14-16页 |
| 1.3.1 论文研究内容 | 第14页 |
| 1.3.2 论文章节安排 | 第14-16页 |
| 第二章 目标检测算法相关理论 | 第16-32页 |
| 2.1 神经网络理论概述 | 第16-19页 |
| 2.1.1 全连接网络模型 | 第16-17页 |
| 2.1.2 卷积神经网络模型 | 第17-19页 |
| 2.2 基于深度学习目标检测相关算法描述 | 第19-22页 |
| 2.2.1 R-CNN | 第19-20页 |
| 2.2.2 SPP-net | 第20页 |
| 2.2.3 Fast R-CNN | 第20-21页 |
| 2.2.4 Faster R-CNN | 第21页 |
| 2.2.5 SSD | 第21-22页 |
| 2.3 基于深度学习的YOLO算法理论 | 第22-26页 |
| 2.3.1 Darknet深度学习框架 | 第22页 |
| 2.3.2 YOLOV1算法 | 第22-23页 |
| 2.3.3 YOLOV2算法 | 第23-24页 |
| 2.3.4 YOLOV3算法 | 第24-26页 |
| 2.4 深度残差网络 | 第26-28页 |
| 2.5 维度聚类 | 第28-31页 |
| 2.5.1 K-means聚类算法 | 第28-30页 |
| 2.5.2 维度聚类统计 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 改进的YOLOV3航拍车辆目标检测算法 | 第32-41页 |
| 3.1 引言 | 第32页 |
| 3.2 改进的YOLOV3检测算法 | 第32-37页 |
| 3.2.1 改进的网络结构 | 第33-34页 |
| 3.2.2 anchor boxes合理分配方法 | 第34-37页 |
| 3.3 实验结果 | 第37-40页 |
| 3.3.1 数据集 | 第37-38页 |
| 3.3.2 训练方法以及评价指标 | 第38页 |
| 3.3.3 目标检测结果评估 | 第38-39页 |
| 3.3.4 定性评估与误分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于YOLOV3航拍图像的特定车辆检索 | 第41-52页 |
| 4.1 引言 | 第41-42页 |
| 4.2 航拍小目标检测及问题分析 | 第42-45页 |
| 4.2.1 多尺度航拍车辆图像检测问题分析 | 第42页 |
| 4.2.2 YOLOV3多尺度检测和残差模块介绍 | 第42-44页 |
| 4.2.3 航拍图像的YOLOV3算法测试及分析 | 第44-45页 |
| 4.3 YOLOV3算法的优化 | 第45-48页 |
| 4.3.1 网络优化 | 第45-46页 |
| 4.3.2 GIoU指标的使用 | 第46-47页 |
| 4.3.3 激活函数的选择 | 第47-48页 |
| 4.4 实验测试及分析 | 第48-51页 |
| 4.4.1 实验环境以及数据集 | 第48-49页 |
| 4.4.2 网络测试 | 第49-50页 |
| 4.4.3 精准目标锁定测试 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 基于航拍车辆的位置定向检测 | 第52-59页 |
| 5.1 引言 | 第52页 |
| 5.2 车辆方向检测设计 | 第52-55页 |
| 5.2.1 斜矩形边框 | 第52-54页 |
| 5.2.2 带有方向角度损失的多任务损失函数 | 第54-55页 |
| 5.3 实验分析 | 第55-58页 |
| 5.3.1 角度步长的确定 | 第55页 |
| 5.3.2 实验结果分析 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间的研究成果 | 第65-66页 |
