基于深度学习的复杂背景下目标检测与分割方法
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及趋势 | 第10-15页 |
| 1.2.1 图像特征提取研究现状 | 第10-11页 |
| 1.2.2 目标检测与分割研究现状 | 第11-15页 |
| 1.3 本文主要内容及结构安排 | 第15-16页 |
| 2 目标检测基础知识 | 第16-23页 |
| 2.1 目标检测的基本流程 | 第16-17页 |
| 2.2 卷积神经网络简介 | 第17-18页 |
| 2.3 卷积神经网络的基本计算 | 第18-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于深度学习的复杂背景下目标检测 | 第23-36页 |
| 3.1 FasterR-CNN原理 | 第23-28页 |
| 3.1.1 区域生成网络(RPN) | 第24-26页 |
| 3.1.2 FasterR-CNN的训练 | 第26-28页 |
| 3.2 改进的FasterR-CNN | 第28-30页 |
| 3.3 实验细节及结果分析 | 第30-34页 |
| 3.3.1 建立复杂背景下图像数据库 | 第30-32页 |
| 3.3.2 实验结果 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 4 基于深度学习的复杂背景下目标分割 | 第36-50页 |
| 4.1 全卷积神经网络目标分割方法 | 第36-43页 |
| 4.1.1 算法概述 | 第37-38页 |
| 4.1.2 深度卷积神经网络结构 | 第38-39页 |
| 4.1.3 实验结果及讨论 | 第39-43页 |
| 4.2 目标掩膜分割方法 | 第43-49页 |
| 4.2.1 MaskR-CNN原理 | 第43-45页 |
| 4.2.2 实验结果及讨论 | 第45-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 思考与展望 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 攻读硕士期间发表的论文 | 第58-59页 |
| 致谢 | 第59-60页 |
