| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究成果 | 第9-10页 |
| 1.2.2 国内研究成果 | 第10-11页 |
| 1.2.3 本课题组先期研究成果 | 第11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 本论文的组织结构 | 第12-14页 |
| 第二章 相关技术介绍 | 第14-21页 |
| 2.1 常见的神经网络算法 | 第14-15页 |
| 2.2 R-CNN体系模型 | 第15-17页 |
| 2.3 YOLO模型 | 第17-18页 |
| 2.4 OpenCV | 第18页 |
| 2.5 CUDA | 第18-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 系统的需求分析与总体结构设计 | 第21-29页 |
| 3.1 广告牌检测系统需求分析 | 第21-24页 |
| 3.1.1 需求概述 | 第21页 |
| 3.1.2 系统功能需求分析 | 第21-23页 |
| 3.1.3 系统的非功能性需求 | 第23-24页 |
| 3.2 系统总体结构的设计 | 第24-25页 |
| 3.3 系统业务流程设计 | 第25-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 图像预处理与神经网络相关算法与模型的设计 | 第29-40页 |
| 4.1 图像预处理 | 第29-33页 |
| 4.1.1 图像裁剪设计与实现 | 第29-30页 |
| 4.1.2 高斯降噪 | 第30-32页 |
| 4.1.3 图像尺度变换 | 第32-33页 |
| 4.2 tiny-yolo模型拆分研究 | 第33-37页 |
| 4.2.1 tiny-yolo神经网络模型的特点 | 第33-34页 |
| 4.2.2 拆分位点研究 | 第34-36页 |
| 4.2.3 具体拆分实现与关键环节 | 第36-37页 |
| 4.3 压缩上传机制的设计与实现 | 第37-38页 |
| 4.4 本章小结 | 第38-40页 |
| 第五章 广告牌识别系统详细设计与实现 | 第40-49页 |
| 5.1 服务端设计概述 | 第40-41页 |
| 5.2 服务端环境配置 | 第41-42页 |
| 5.2.1 硬件环境 | 第41页 |
| 5.2.2 软件环境 | 第41-42页 |
| 5.3 网络传递与解压缩功能实现 | 第42页 |
| 5.4 服务端神经网络设计与实现 | 第42-45页 |
| 5.4.1 神经网络设计与代码实现 | 第43页 |
| 5.4.2 网络模型训练与后期追加再训练 | 第43-45页 |
| 5.5 服务器端内容推荐功能的设计与实现 | 第45页 |
| 5.6 客户端展示与内容推荐概述 | 第45-46页 |
| 5.7 选择结果功能设计与实现 | 第46-48页 |
| 5.8 内容推荐与打开外部应用功能设计与实现 | 第48页 |
| 5.9 本章小结 | 第48-49页 |
| 第六章 系统测试与分析 | 第49-54页 |
| 6.1 多种广告牌识别系统实现方式性能分析 | 第49-51页 |
| 6.1.1 surf算法模型 | 第49-50页 |
| 6.1.2 Faster-RCNN模型 | 第50页 |
| 6.1.3 yolo2模型与tiny-yolo模型 | 第50-51页 |
| 6.2 系统实现与数据上传规模测试 | 第51-52页 |
| 6.3 系统的识别性能与执行效率测试 | 第52-53页 |
| 6.4 本章小结 | 第53-54页 |
| 第七章 总结与展望 | 第54-55页 |
| 7.1 总结 | 第54页 |
| 7.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-57页 |