基于深度学习的交通监控图像目标检测系统设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 相关技术 | 第14-21页 |
| 2.1 目标检测传统的机器学习方法 | 第14-16页 |
| 2.1.1 生成候选框 | 第14-15页 |
| 2.1.2 特征提取 | 第15页 |
| 2.1.3 分类器 | 第15-16页 |
| 2.2 基于深度学习的目标检测方法 | 第16-19页 |
| 2.2.1 基于区域的目标检测 | 第16-18页 |
| 2.2.2 面向整张图像的目标检测 | 第18-19页 |
| 2.3 主流深度学习框架 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于深度学习的目标检测原理分析 | 第21-28页 |
| 3.1 神经元模型 | 第21-22页 |
| 3.2 卷积神经网络 | 第22-26页 |
| 3.2.1 卷积层 | 第23-24页 |
| 3.2.2 采样层 | 第24页 |
| 3.2.3 全连接层 | 第24页 |
| 3.2.4 激活函数 | 第24-25页 |
| 3.2.5 损失函数 | 第25-26页 |
| 3.2.6 训练方式 | 第26页 |
| 3.2.7 实现方式 | 第26页 |
| 3.3 本章小结 | 第26-28页 |
| 第四章 目标检测系统设计方案 | 第28-40页 |
| 4.1 需求分析 | 第28页 |
| 4.2 整体架构 | 第28-30页 |
| 4.3 卷积神经网络设计 | 第30-34页 |
| 4.4 OB-FCN+R-FCN和预处理模块 | 第34-37页 |
| 4.4.1 OB-FCN和R-FCN的结合 | 第34-35页 |
| 4.4.2 预处理模块 | 第35-37页 |
| 4.5 并行提速 | 第37-38页 |
| 4.6 本章小结 | 第38-40页 |
| 第五章 系统实现与评估 | 第40-52页 |
| 5.1 实验环境 | 第40-41页 |
| 5.2 训练集与测试集 | 第41-43页 |
| 5.3 OB-FCN实现 | 第43-46页 |
| 5.3.1 卷积神经网络实现 | 第43-44页 |
| 5.3.2 卷积神经网络训练 | 第44-46页 |
| 5.3.3 结果筛选 | 第46页 |
| 5.4 OB-FCN+R-FCN和预处理模块实现 | 第46-48页 |
| 5.4.1 OB-FCN+R-FCN实现 | 第46-47页 |
| 5.4.2 预处理模块实现 | 第47-48页 |
| 5.5 系统评估 | 第48-50页 |
| 5.5.1 速度 | 第49页 |
| 5.5.2 准确率 | 第49-50页 |
| 5.6 本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-55页 |
| 6.1 本文工作总结 | 第52-53页 |
| 6.2 今后工作展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
