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

基于多层特征融合的SSD目标检测

摘要第5-6页
Abstract第6页
第1章 绪论第11-18页
    1.1 研究背景及意义第11-12页
    1.2 国内外研究现状第12-15页
        1.2.1 传统的目标检测算法第12-13页
        1.2.2 深度学习目标检测算法第13-15页
    1.3 目标检测面临的难点第15页
    1.4 论文结构安排及主要工作第15-18页
        1.4.1 论文主要工作第15-16页
        1.4.2 论文结构安排第16-18页
第2章 目标检测算法的理论基础第18-29页
    2.1 卷积神经网络第18-24页
        2.1.1 卷积层第18-20页
        2.1.2 激活函数第20-21页
        2.1.3 池化层第21-22页
        2.1.4 全连接层第22-23页
        2.1.5 损失函数第23-24页
        2.1.6 前向/反向传播第24页
    2.2 目标检测的组件第24-27页
        2.2.1 区域生成第24-26页
        2.2.2 边框回归第26页
        2.2.3 非极大值抑制第26-27页
    2.3 公共评价指标第27-28页
        2.3.1 正确率与召回率第27-28页
        2.3.2 平均正确率与平均检测精度第28页
        2.3.3 检测速度第28页
    2.4 小结第28-29页
第3章 基于深度学习的目标检测算法比较分析第29-41页
    3.1 主流CNN模型第29-32页
        3.1.1 LeNet-第29-30页
        3.1.2 AlexNet第30页
        3.1.3 VGGNet第30-31页
        3.1.4 GoogLeNet第31-32页
        3.1.5 ResNet第32页
    3.2 主流目标检测算法第32-39页
        3.2.1 基于区域生成的深度学习目标检测算法第33-36页
        3.2.2 基于回归方法的深度学习目标检测算法第36-39页
        3.2.3 算法比较分析第39页
    3.3 SSD的局限性第39-40页
    3.4 小结第40-41页
第4章 基于相邻特征融合的SSD第41-56页
    4.1 特征融合第41-42页
        4.1.1 深度特征的层次性第41页
        4.1.2 上采样第41-42页
    4.2 相邻特征融合的SSD结构第42-45页
        4.2.1 多尺度检测结构第42-44页
        4.2.2 融合方式第44-45页
    4.3 训练方法第45-48页
        4.3.1 配对策略第45页
        4.3.2 目标函数第45-46页
        4.3.3 默认框的选取第46-47页
        4.3.4 难分样本挖掘(hardnegativemining)第47页
        4.3.5 数据增强(dataaugmentation)第47-48页
    4.4 实验验证与分析第48-54页
        4.4.1 PASCAL VOC2007第48-51页
        4.4.2 PASCAL VOC2012第51-52页
        4.4.3 MSCOCO第52-54页
    4.5 小结第54-56页
第5章 基于二次特征融合的SSD第56-65页
    5.1 concat操作第56-58页
    5.2 与特征金字塔网络结合的SSD第58-59页
        5.2.1 特征金字塔网络结构第58页
        5.2.2 自上而下的路径和横向连接第58-59页
    5.3 多层特征融合第59-61页
        5.3.1 二次融合网络结构第59-60页
        5.3.2 BatchNormalization第60-61页
    5.4 实验验证与分析第61-64页
    5.5 小结第64-65页
结论第65-67页
致谢第67-68页
参考文献第68-74页
攻读硕士学位期间发表的论文第74页

论文共74页,点击 下载论文
上一篇:铁路测量外业原始数据管理系统设计与实现
下一篇:基于群智感知的城市私家车轨迹恢复研究