首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度学习的目标检测技术的研究

摘要第4-6页
ABSTRACT第6-7页
第一章 绪论第10-18页
    1.1 课题研究背景和意义第10-11页
    1.2 国内外研究现状及现存的挑战第11-12页
        1.2.1 研究现状第11-12页
        1.2.2 现存的挑战第12页
    1.3 ImageNet LSVRC竞赛第12-15页
    1.4 本文的研究内容及贡献第15-18页
        1.4.1 研究内容第15页
        1.4.2 主要贡献第15-16页
        1.4.3 论文组织结构第16-18页
第二章 卷积神经网络模型训练与优化第18-38页
    2.1 深度学习基础理论与深度模型第18-20页
    2.2 数据预处理第20-21页
    2.3 卷积神经网络模型第21-24页
        2.3.1 网络层结构第21-24页
        2.3.2 决策层和目标函数第24页
    2.4 卷积神经网络训练第24-29页
        2.4.1 训练方法第24-25页
        2.4.2 网络模型结构第25-27页
        2.4.3 网络过拟合解决方法第27-28页
        2.4.4 参数训练第28-29页
    2.5 模型分析第29-36页
        2.5.1 模型可视化第29-33页
        2.5.2 预训练结果分析第33-36页
    2.6 本章小节第36-38页
第三章 基于深度学习的目标检测的关键技术第38-64页
    3.1 基于区域卷积神经网络的目标检测第38-39页
    3.2 模块设计第39-47页
        3.2.1 候选区域提取第39-45页
        3.2.2 正负样本选取第45-46页
        3.2.3 SVM分类器训练第46-47页
    3.3 目标检测模型测试第47-49页
    3.4 目标检测模型训练第49-52页
        3.4.1 CaffeNet模型第50页
        3.4.2 VGG_ CNN_M_1024模型第50-51页
        3.4.3 VGGNet模型第51-52页
    3.5 模型训练结果分析第52-64页
        3.5.1 在ILSVRC2014 detection的性能结果第53-55页
        3.5.2 时间和资源性能分析第55-57页
        3.5.3 预训练策略第57-58页
        3.5.4 SVM和Softmax分类器性能对比第58-59页
        3.5.5 反卷积结果分析第59-60页
        3.5.6 目标检测结果样例第60-62页
        3.5.7 实际应用第62-64页
第四章 总结与展望第64-66页
    4.1 全文总结第64-65页
    4.2 未来展望第65-66页
参考文献第66-70页
致谢第70页

论文共70页,点击 下载论文
上一篇:电信运营商智慧供应链影响因素研究
下一篇:基于FPGA的异构多核并行处理系统研究