| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 研究现状与发展趋势 | 第11-15页 |
| 1.2.1 目标检测任务的研究现状 | 第11-12页 |
| 1.2.2 目标检测方法的研究现状 | 第12-14页 |
| 1.2.3 深度学习在目标检测领域的研究现状 | 第14-15页 |
| 1.3 本文的主要研究内容及章节安排 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文章节安排 | 第16-18页 |
| 第2章 深度学习基本理论与目标检测应用算法分析 | 第18-32页 |
| 2.1 深度学习基本理论 | 第18-27页 |
| 2.1.1 卷积神经网络的基本思想 | 第18-19页 |
| 2.1.2 卷积神经网络的基本结构 | 第19-26页 |
| 2.1.3 卷积神经网络计算过程 | 第26-27页 |
| 2.2 基于深度学习的目标检测算法分析 | 第27-30页 |
| 2.2.1 RCNN | 第27-28页 |
| 2.2.2 Fast RCNN | 第28-29页 |
| 2.2.3 Faster RCNN | 第29-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第3章 基于Faster RCNN的目标检测算法设计 | 第32-50页 |
| 3.1 目标检测网络结构设计 | 第32-37页 |
| 3.1.1 特征提取网络 | 第32-33页 |
| 3.1.2 区域提取网络 | 第33-34页 |
| 3.1.3 分类与位置回归网络 | 第34-37页 |
| 3.2 目标检测模型训练 | 第37-42页 |
| 3.2.1 数据集建立 | 第38-39页 |
| 3.2.2 数据增强 | 第39页 |
| 3.2.3 迁移学习 | 第39-40页 |
| 3.2.4 训练方法 | 第40-42页 |
| 3.3 目标检测结果分析 | 第42-48页 |
| 3.3.1 特征可视化 | 第42-44页 |
| 3.3.2 检测结果 | 第44-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 基于改进Faster RCNN的目标检测算法设计 | 第50-62页 |
| 4.1 目标检测算法改进 | 第50-54页 |
| 4.1.1 多层特征融合 | 第50-51页 |
| 4.1.2 引入Inception结构 | 第51页 |
| 4.1.3 采用C.ReLU激活函数 | 第51-52页 |
| 4.1.4 改进后的整体网络结构 | 第52-54页 |
| 4.1.5 训练方法 | 第54页 |
| 4.2 目标检测结果分析 | 第54-60页 |
| 4.2.1 多特征融合方法对比实验 | 第54页 |
| 4.2.2 引入Inception结构方法对比实验 | 第54-55页 |
| 4.2.3 采用C.ReLU激活函数方法对比试验 | 第55页 |
| 4.2.4 综合对比实验 | 第55-57页 |
| 4.2.5 目标检测实验 | 第57-60页 |
| 4.3 本章小结 | 第60-62页 |
| 第5章 基于智能机器人的目标检测系统设计 | 第62-74页 |
| 5.1 智能机器人目标检测平台 | 第62-63页 |
| 5.2 智能机器人目标检测应用软件设计 | 第63-69页 |
| 5.2.1 结构设计 | 第64-65页 |
| 5.2.2 功能实现 | 第65-68页 |
| 5.2.3 界面设计 | 第68-69页 |
| 5.3 智能机器人目标检测系统实验结果 | 第69-73页 |
| 5.3.1 压缩模型对比实验 | 第69-70页 |
| 5.3.2 检测结果 | 第70-73页 |
| 5.4 本章小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-84页 |
| 致谢 | 第84页 |
