| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.2.1 国外研究现状 | 第17-18页 |
| 1.2.2 国内研究现状 | 第18页 |
| 1.3 基于视觉的商品图像识别研究方法综述 | 第18-22页 |
| 1.3.1 基于视觉的单个物体识别 | 第19-21页 |
| 1.3.2 基于视觉的多个物体识别与定位 | 第21-22页 |
| 1.4 本文研究内容与组织结构 | 第22-25页 |
| 第2章 本文所用相关算法介绍 | 第25-39页 |
| 2.1 卷积神经网络(CNN) | 第25-28页 |
| 2.1.1 基本概念 | 第25页 |
| 2.1.2 网络结构 | 第25-28页 |
| 2.2 Faster RCNN | 第28-39页 |
| 2.2.1 Fast RCNN | 第28-32页 |
| 2.2.2 FPN(特征金字塔网络) | 第32-35页 |
| 2.2.3 ResNet | 第35-39页 |
| 第3章 基于Faster RCNN的单个商品识别方法 | 第39-53页 |
| 3.1 问题描述 | 第39页 |
| 3.2 系统框架设计 | 第39-40页 |
| 3.3 系统具体实现 | 第40-46页 |
| 3.3.1 图像采集 | 第40页 |
| 3.3.2 区域候选网络(RPN) | 第40-42页 |
| 3.3.3 RPN预标注方法 | 第42-44页 |
| 3.3.4 网络训练 | 第44页 |
| 3.3.5 分类与定位的知识迁移 | 第44-46页 |
| 3.4 实验结果及分析 | 第46-52页 |
| 3.4.1 数据集 | 第46-47页 |
| 3.4.2 分类和检测结果 | 第47-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于改进Faster RCNN与Grabcut的多个商品识别与定位方法 | 第53-71页 |
| 4.1 问题描述 | 第53页 |
| 4.2 系统框架设计 | 第53-54页 |
| 4.3 系统具体实现 | 第54-63页 |
| 4.3.1 非类别特异性Faster RCNN | 第54-56页 |
| 4.3.2 Grabcut | 第56-59页 |
| 4.3.3 结合Grabcut的样本增强方法 | 第59-61页 |
| 4.3.4 重识别层 | 第61-62页 |
| 4.3.5 网络模型与训练 | 第62-63页 |
| 4.4 实验与分析 | 第63-70页 |
| 4.4.1 数据集介绍 | 第63-64页 |
| 4.4.2 实验结果 | 第64-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 超市商品图像识别验证系统 | 第71-75页 |
| 5.1 系统设计 | 第71-73页 |
| 5.1.1 图像提取模块 | 第72页 |
| 5.1.2 商品检测模块 | 第72-73页 |
| 5.1.3 数据传输模块 | 第73页 |
| 5.2 系统验证测试 | 第73-74页 |
| 5.3 本章总结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 未来展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 在读期间发表的学术论文与取得的研究成果 | 第85页 |