基于深度神经网络的物体识别方法研究及实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外发展现状 | 第13页 |
| 1.3 物体识别技术的发展 | 第13-14页 |
| 1.3.1 传统物体识别的发展 | 第13-14页 |
| 1.3.2 基于深度学习的物体识别技术发展 | 第14页 |
| 1.4 本论文主要工作 | 第14-15页 |
| 1.5 本论文的结构安排 | 第15-16页 |
| 第二章 深度神经网络的理论基础 | 第16-40页 |
| 2.1 神经网络的结构 | 第16-22页 |
| 2.1.1 人工神经元模型 | 第16-17页 |
| 2.1.2 激励函数的类型 | 第17-18页 |
| 2.1.3 前馈网络结构 | 第18-19页 |
| 2.1.4 梯度下降算法 | 第19-21页 |
| 2.1.5 误差反向传播算法 | 第21-22页 |
| 2.2 卷积神经网络的结构 | 第22-27页 |
| 2.2.1 卷积运算与卷积核 | 第23页 |
| 2.2.2 池化 | 第23-25页 |
| 2.2.3 卷积神经网络结构 | 第25-27页 |
| 2.3 经典卷积神经网络的结构 | 第27-35页 |
| 2.3.1 AlexNet | 第27-28页 |
| 2.3.2 VGGNet | 第28-30页 |
| 2.3.3 InceptionNet | 第30-32页 |
| 2.3.4 ResNet | 第32-35页 |
| 2.4 神经网络的优化方法 | 第35-39页 |
| 2.4.1 过拟合与规范化 | 第35-37页 |
| 2.4.2 Dropout | 第37-38页 |
| 2.4.3 消失的梯度问题 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 基于密集连接卷积网络改进的目标分类算法 | 第40-52页 |
| 3.1 DenseNet基本原理 | 第40-43页 |
| 3.1.1 DenseNet结构 | 第40-42页 |
| 3.1.2 相关研究 | 第42-43页 |
| 3.2 改进的DenseNet结构 | 第43-45页 |
| 3.2.1 密集连接 | 第43-44页 |
| 3.2.2 综合函数 | 第44页 |
| 3.2.3 池化层 | 第44页 |
| 3.2.4 增长率 | 第44页 |
| 3.2.5 一维卷积层 | 第44-45页 |
| 3.2.6 压缩网络 | 第45页 |
| 3.3 DenseNet卷积网络的实现与测试 | 第45-51页 |
| 3.3.1 Tensorflow框架 | 第45页 |
| 3.3.2 DenseNet网络实现 | 第45-46页 |
| 3.3.3 网络训练 | 第46-49页 |
| 3.3.4 与同类方法对比 | 第49-51页 |
| 3.3.5 DenseNet小结 | 第51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于SSD改进的物体识别方法 | 第52-67页 |
| 4.1 目标检测理论 | 第53-60页 |
| 4.1.1 基于快速CNN的目标检测方法 | 第53-55页 |
| 4.1.2 基于回归学习的目标检测方法 | 第55-60页 |
| 4.2 改进的SSD | 第60-62页 |
| 4.2.1 基础网络改进 | 第60-61页 |
| 4.2.2 预测网络改进 | 第61-62页 |
| 4.3 训练网络 | 第62-63页 |
| 4.4 实验结果对比与分析 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 实时路况检测系统的设计与实现 | 第67-76页 |
| 5.1 路况检测系统需求分析 | 第67-68页 |
| 5.2 系统概述 | 第68页 |
| 5.3 系统架构 | 第68-71页 |
| 5.3.1 视频流解析 | 第69-70页 |
| 5.3.2 图像预处理 | 第70页 |
| 5.3.3 物体识别算法模块 | 第70页 |
| 5.3.4 日志模块 | 第70-71页 |
| 5.4 系统流程 | 第71-72页 |
| 5.4.1 物体识别流程 | 第71-72页 |
| 5.4.2 网络训练流程 | 第72页 |
| 5.5 系统测试与分析 | 第72-75页 |
| 5.5.1 系统的检测效果 | 第73-74页 |
| 5.5.2 系统的性能测试与分析 | 第74-75页 |
| 5.5.3 系统的优缺点 | 第75页 |
| 5.6 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本论文的主要贡献 | 第76-77页 |
| 6.2 下一步工作的展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 攻硕期间取得的研究成果 | 第82页 |
