商品图像检测方法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究目的和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 图像检测传统方法 | 第12-13页 |
| 1.2.2 深度学习检测方法 | 第13-14页 |
| 1.3 研究内容 | 第14-16页 |
| 1.4 创新点 | 第16页 |
| 1.5 文章结构安排 | 第16-17页 |
| 第二章 商品图像检测方案设计 | 第17-22页 |
| 2.1 商品图像检测需求 | 第17-18页 |
| 2.2 商品图像检测流程 | 第18-22页 |
| 2.2.1 计算机视觉主要任务 | 第18-20页 |
| 2.2.2 图像检测方法 | 第20页 |
| 2.2.3 深度学习检测网络 | 第20-22页 |
| 第三章 商品图像检测模块实现 | 第22-45页 |
| 3.1 货架图片预处理 | 第22-28页 |
| 3.1.1 商品图片货架定位 | 第22-25页 |
| 3.1.2 货架图片拼接 | 第25-28页 |
| 3.2 数据集的建立和数据标注 | 第28-32页 |
| 3.2.1 PASCAL VOC数据集 | 第29-30页 |
| 3.2.2 建立薯片数据集 | 第30-32页 |
| 3.3 区域建议 | 第32-35页 |
| 3.3.1 滑窗 | 第32-33页 |
| 3.3.2 选择性搜索 | 第33页 |
| 3.3.3 区域建议网络 | 第33-35页 |
| 3.4 特征提取 | 第35-39页 |
| 3.4.1 Haar特征 | 第35-36页 |
| 3.4.2 HOG特征 | 第36页 |
| 3.4.3 卷积神经网络 | 第36-39页 |
| 3.5 分类器 | 第39-44页 |
| 3.5.1 Adaboost | 第39-40页 |
| 3.5.2 SVM | 第40-41页 |
| 3.5.3 深度学习分类器 | 第41-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 商品图像检测方法的优化 | 第45-54页 |
| 4.1 数据增强 | 第45-49页 |
| 4.1.1 色彩变换 | 第45-47页 |
| 4.1.2 随机裁剪 | 第47-48页 |
| 4.1.3 平衡采样 | 第48-49页 |
| 4.2 引入图像上下文信息 | 第49-50页 |
| 4.3 特征通道加权 | 第50-51页 |
| 4.4 在线困难样本挖掘 | 第51-52页 |
| 4.5 本章总结 | 第52-54页 |
| 第五章 实验分析 | 第54-65页 |
| 5.1 评价指标 | 第54-56页 |
| 5.1.1 交并比 | 第54页 |
| 5.1.2 准确率与召回率 | 第54-55页 |
| 5.1.3 平均准确率 | 第55-56页 |
| 5.2 基础检测实验 | 第56-58页 |
| 5.3 替换基础网络实验 | 第58-61页 |
| 5.4 检测方法改进实验 | 第61-62页 |
| 5.5 商品货架图像检测分析 | 第62-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士期间发表论文 | 第72页 |
