| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文主要研究内容及结构安排 | 第13-15页 |
| 第二章 物体识别基础理论研究 | 第15-30页 |
| 2.1 物体识别的主要流程 | 第15-19页 |
| 2.1.1 数据预处理 | 第15-16页 |
| 2.1.2 特征提取 | 第16页 |
| 2.1.3 分类器 | 第16-19页 |
| 2.2 图像特征 | 第19-26页 |
| 2.2.1 基于颜色的特征 | 第19页 |
| 2.2.2 其他局部特征 | 第19-26页 |
| 2.3 物体识别常用方法 | 第26-28页 |
| 2.3.1 基于部件的物体识别方法 | 第26-28页 |
| 2.3.2 基于方向的识别方法 | 第28页 |
| 2.3.3 生成性识别方法和鉴别性识别方法 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 卷积神经网络技术研究 | 第30-47页 |
| 3.1 反向传播算法(BP算法) | 第30-33页 |
| 3.2 卷积神经网络(CNN) | 第33-36页 |
| 3.2.1 局部感知 | 第34页 |
| 3.2.2 权值共享 | 第34页 |
| 3.2.3 下采样 | 第34-35页 |
| 3.2.4 CNN模型 | 第35-36页 |
| 3.3 R-CNN算法 | 第36-40页 |
| 3.3.1 选择搜索(Selective Search)算法 | 第37-39页 |
| 3.3.2 非极大值抑制 | 第39-40页 |
| 3.4 SPP-Net算法 | 第40-41页 |
| 3.5 Fast R-CNN算法 | 第41-43页 |
| 3.5.1 Fast R-CNN算法整体框架 | 第42页 |
| 3.5.2 Fast R-CNN算法的特点 | 第42-43页 |
| 3.6 Faster R-CNN算法 | 第43页 |
| 3.7 YOLO算法 | 第43-46页 |
| 3.7.1 YOLO的网络框架 | 第45-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 改进的YOLO卷积神经网络设计 | 第47-57页 |
| 4.1 基于YOLO的改进 | 第47-48页 |
| 4.2 对训练数据集的改进 | 第48-50页 |
| 4.3 对YOLO的损失函数的改进 | 第50-51页 |
| 4.4 对YOLO网络结构的改进 | 第51-56页 |
| 4.4.1 加入BN(Batch Normalization)层 | 第51-53页 |
| 4.4.2 添加转移层 | 第53-54页 |
| 4.4.3 添加1*1的卷积层 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 改进的YOLO卷积神经网络实验分析 | 第57-67页 |
| 5.1 实验平台 | 第57页 |
| 5.2 实验过程 | 第57-66页 |
| 5.2.1 训练数据准备 | 第58-59页 |
| 5.2.2 训练过程和结果分析 | 第59-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 附录 | 第73-77页 |
| 附录1 图片格式转化关键代码 | 第73-75页 |
| 附录2 召回率及准确率统计代码 | 第75-77页 |
| 致谢 | 第77-79页 |
| 攻读学位期间发表的学术论文目录 | 第79页 |