基于深度学习的Logo识别研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-15页 |
| 1.2.1 Logo介绍 | 第10-12页 |
| 1.2.2 基于Logo识别研究现状 | 第12-13页 |
| 1.2.3 深度学习研究现状 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文安排 | 第16-17页 |
| 2 Logo识别方法 | 第17-34页 |
| 2.1 传统目标检测与识别理论综述 | 第17-25页 |
| 2.1.1 特征模型 | 第17-22页 |
| 2.1.2 常用分类器 | 第22-25页 |
| 2.2 人工神经网络 | 第25-29页 |
| 2.2.1 神经元 | 第26-27页 |
| 2.2.2 前馈神经网络 | 第27-28页 |
| 2.2.3 反向传播算法 | 第28-29页 |
| 2.3 卷积神经网络 | 第29-33页 |
| 2.3.1 基本架构 | 第29-32页 |
| 2.3.2 训练算法 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 Logo识别模型 | 第34-54页 |
| 3.1 新型CNN算法分析 | 第34-42页 |
| 3.1.1 RCNN | 第34页 |
| 3.1.2 SPPNet | 第34-36页 |
| 3.1.3 Fast-RCNN | 第36-37页 |
| 3.1.4 Faster-RCNN | 第37-40页 |
| 3.1.5 YOLO | 第40-41页 |
| 3.1.6 SSD | 第41-42页 |
| 3.2 Logo识别实验 | 第42-48页 |
| 3.2.1 实验设计 | 第43-45页 |
| 3.2.2 数据集 | 第45-47页 |
| 3.2.3 网络结构 | 第47-48页 |
| 3.3 实验结果分析 | 第48-53页 |
| 3.3.1 实验方法 | 第48-49页 |
| 3.3.2 结果和分析 | 第49-53页 |
| 3.4 本章小结 | 第53-54页 |
| 4 系统的搭建和运行 | 第54-65页 |
| 4.1 系统需求分析和设计 | 第54-55页 |
| 4.1.1 需求分析 | 第54页 |
| 4.1.2 系统设计 | 第54-55页 |
| 4.2 系统软硬件的搭建 | 第55-59页 |
| 4.2.1 caffe框架的搭建 | 第55-58页 |
| 4.2.2 服务器的搭建 | 第58-59页 |
| 4.3 运行结果和展示 | 第59-63页 |
| 4.3.1 结果分析 | 第59-63页 |
| 4.3.2 性能分析 | 第63页 |
| 4.4 本章小结 | 第63-65页 |
| 5 总结和展望 | 第65-67页 |
| 5.1 工作总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
