首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

目标快速检测算法的研究

摘要第5-6页
abstract第6页
第一章 绪论第9-15页
    1.1 研究背景及意义第9-11页
    1.2 目标检测技术在国内外的发展现状第11-13页
    1.3 本论文主要研究内容及创新第13页
    1.4 论文的结构安排第13-15页
第二章 基于高阶BING特征和多尺度特征估计的候选区域检测第15-43页
    2.1 引言第15-16页
    2.2 BING特征第16-20页
        2.2.1 归一化梯度特征(NG)第16-17页
        2.2.2 二值化近似算法(Binary approximate)第17-19页
        2.2.3 BING特征的快速计算第19-20页
    2.3 线性SVM分类器第20-23页
        2.3.1 线性SVM的原问题第20-22页
        2.3.2 线性SVM的对偶问题第22-23页
    2.4 Bing算法框架第23-24页
    2.5 高阶BING特征第24-28页
        2.5.1 梯度方向直方图第25页
        2.5.2 高阶BING特征第25-27页
        2.5.3 高阶BING特征的快速计算第27-28页
    2.6 多尺度特征估计第28-32页
        2.6.1 梯度方向直方图的上采样第28-30页
        2.6.2 梯度方向直方图的下采样第30页
        2.6.3 特征的多尺度近似第30-32页
    2.7 基于高阶BING特征和多尺度特征估计的候选区域检测算法第32-35页
        2.7.1 图像特征金字塔的构造和快速计算第33-34页
        2.7.2 两级SVM模型的训练第34-35页
        2.7.3 候选区域检测第35页
    2.8 实验与分析第35-42页
        2.8.1 多类目标候选区域检测实验第36-38页
        2.8.2 人脸候选区域检测实验第38-40页
        2.8.3 行人候选区域检测实验第40-42页
    2.9 本章小结第42-43页
第三章 基于深度卷积神经网络的目标检测第43-65页
    3.1 引言第43-44页
    3.2 特征提取第44-48页
        3.2.1 ZFNet第44-45页
        3.2.2 VGGNet第45-46页
        3.2.3 GoogLe Net第46-48页
    3.3 用于候选区域检测的RPN网络第48-50页
    3.4 ROI Pooling层第50-51页
    3.5 多任务损失函数第51-52页
    3.6 全连接层的SVD分解第52页
    3.7 激活函数CRe LU第52-55页
    3.8 困难样本挖掘第55-56页
    3.9 目标检测网络的设计第56-60页
        3.9.1 特征提取网络的前半部分第56-57页
        3.9.2 特征提取网络的后半部分第57-59页
        3.9.3 候选区域检测和目标检测第59-60页
    3.10 实验与分析第60-64页
    3.11 本章小结第64-65页
第四章 目标检测系统的设计与实现第65-71页
    4.1 训练参数的选择第65-67页
        4.1.1 随机梯度下降第65-66页
        4.1.2 人脸检测系统的训练参数选择第66-67页
    4.2 训练图片的标注第67-69页
    4.3 人脸识别系统第69-70页
    4.4 本章小结第70-71页
第五章 总结与展望第71-73页
    5.1 总结第71-72页
    5.2 展望第72-73页
致谢第73-74页
参考文献第74-78页
攻读硕士学位期间取得的成果第78-79页

论文共79页,点击 下载论文
上一篇:基于LabVIEW的混沌声呐波形设计与仿真研究
下一篇:基于熵的企业协同创新绩效评价研究