基于混合式模型的目标检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于传统机器学习的方法研究 | 第11-12页 |
| 1.2.2 基于深度学习的方法研究 | 第12-15页 |
| 1.2.3 存在的问题和不足 | 第15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 数据集简介 | 第16页 |
| 1.5 论文结构 | 第16-18页 |
| 第二章 相关技术介绍 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 特征提取 | 第18-20页 |
| 2.2.1 SIFT特征子 | 第18-20页 |
| 2.3 传统机器学习相关技术 | 第20-23页 |
| 2.3.1 SVM理论 | 第20-21页 |
| 2.3.2 K近邻算法 | 第21-22页 |
| 2.3.3 K-Means聚类算法 | 第22-23页 |
| 2.4 深度学习相关技术 | 第23-29页 |
| 2.4.1 反向传播算法 | 第23-25页 |
| 2.4.2 深度网络模型概述 | 第25-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 Fast_rcnn++模型 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 整体模型构架 | 第30-32页 |
| 3.2.1 R-CNN模型 | 第30-31页 |
| 3.2.2 Fast_rcnn模型 | 第31页 |
| 3.2.3 Fast_rcnn++模型 | 第31-32页 |
| 3.3 潜在目标区域生成模块 | 第32-34页 |
| 3.4 背景筛除器模块 | 第34-36页 |
| 3.5 目标检测模块 | 第36-39页 |
| 3.5.1 ROI池化层 | 第36-37页 |
| 3.5.2 多任务损失 | 第37-38页 |
| 3.5.3 多层特征融合 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 模型实现 | 第40-52页 |
| 4.1 引言 | 第40页 |
| 4.2 Bag of feature建模 | 第40-45页 |
| 4.2.1 特征提取 | 第41-42页 |
| 4.2.2 构建视觉词典 | 第42-43页 |
| 4.2.3 图像金字塔编码 | 第43-45页 |
| 4.3 SVM分类器 | 第45-46页 |
| 4.4 网络模型实现 | 第46-51页 |
| 4.4.1 特征融合方式 | 第46-49页 |
| 4.4.2 损失函数优化 | 第49-50页 |
| 4.4.3 模型训练设置 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 实验结果与分析 | 第52-66页 |
| 5.1 引言 | 第52页 |
| 5.2 Fast rcnn模型的复现 | 第52-53页 |
| 5.3 网络深度对目标检测的影响 | 第53-54页 |
| 5.4 背景筛除器效果 | 第54-58页 |
| 5.5 多层特征融合效果 | 第58-62页 |
| 5.6 焦点损失函数效果 | 第62-63页 |
| 5.7 与其他目标检测模型对比 | 第63-65页 |
| 5.8 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 存在问题与展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
