基于深度神经网络的实时多物体检测
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文的组织结构 | 第15-16页 |
| 第2章 神经网络与深度学习 | 第16-38页 |
| 2.1 神经网络的演变过程 | 第16-18页 |
| 2.2 常见深度学习模型 | 第18-19页 |
| 2.3 卷积神经网络 | 第19-36页 |
| 2.3.1 卷积神经网络的结构 | 第19-27页 |
| 2.3.2 卷积神经网络的特点 | 第27-29页 |
| 2.3.3 卷积神经网络的训练方法 | 第29-31页 |
| 2.3.4 常用的卷积模型 | 第31-35页 |
| 2.3.5 总结 | 第35-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第3章 目标检测与目标跟踪 | 第38-48页 |
| 3.1 基于深度学习的目标检测模型 | 第38-43页 |
| 3.1.1 R-CNN模型 | 第38-39页 |
| 3.1.2 SPP-Net模型 | 第39-40页 |
| 3.1.3 FastR-CNN模型 | 第40-41页 |
| 3.1.4 FasterR-CNN模型 | 第41-43页 |
| 3.1.5 YOLO模型 | 第43页 |
| 3.2 卡尔曼滤波 | 第43-46页 |
| 3.3 基于卡尔曼滤波的目标跟踪 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 实验过程与结果分析 | 第48-59页 |
| 4.1 实验环境与实验数据 | 第48-51页 |
| 4.1.1 实验环境 | 第48页 |
| 4.1.2 实验数据集 | 第48-51页 |
| 4.2 实验过程 | 第51-55页 |
| 4.2.1 模型选择及改进 | 第51页 |
| 4.2.2 详细实现过程 | 第51-54页 |
| 4.2.3 改进的自适应阈值法 | 第54-55页 |
| 4.3 实验结果 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
