基于深度学习的目标检测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 选题背景与意义 | 第11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 目标检测研究现状 | 第11-12页 |
| 1.2.2 深度学习研究现状 | 第12-13页 |
| 1.3 研究内容及章节安排 | 第13-15页 |
| 2 目标检测相关算法 | 第15-27页 |
| 2.1 基于传统算法的目标检测 | 第15-22页 |
| 2.1.1 图像预处理 | 第15-17页 |
| 2.1.2 特征提取 | 第17-19页 |
| 2.1.3 分类决策 | 第19-22页 |
| 2.2 基于深度学习的目标检测 | 第22-26页 |
| 2.2.1 卷积神经网络 | 第22-25页 |
| 2.2.2 RCNN原理 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 改进的基于传统算法的目标检测 | 第27-37页 |
| 3.1 基于HOG和SVM的目标检测算法 | 第27-29页 |
| 3.1.1 HOG特征提取算法 | 第27-28页 |
| 3.1.2 特征分类算法 | 第28-29页 |
| 3.2 改进的基于CV模型的目标检测 | 第29-36页 |
| 3.2.1 训练SVM分类器 | 第29-30页 |
| 3.2.2 基于CV模型的目标检测 | 第30-36页 |
| 3.3 本章小结 | 第36-37页 |
| 4 改进的基于深度学习的目标检测 | 第37-50页 |
| 4.1 算法框架 | 第37-38页 |
| 4.2 改进的低层次特征提取 | 第38-41页 |
| 4.2.1 基于SLIC的传统特征提取算法 | 第38-39页 |
| 4.2.2 改进的基于SLIC的传统特征提取算法 | 第39-41页 |
| 4.3 改进的高层次特征提取 | 第41-44页 |
| 4.3.1 基于VGG网络的特征提取 | 第41-43页 |
| 4.3.2 GoogleNet高层次特征提取 | 第43-44页 |
| 4.4 特征拼接以及分类 | 第44-45页 |
| 4.5 实验结果与分析 | 第45-48页 |
| 4.5.1 实验总结 | 第45-47页 |
| 4.5.2 实验对比分析 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 5 基于超像素和卷积神经网络的系统实现 | 第50-56页 |
| 5.1 训练数据集准备 | 第50-52页 |
| 5.2 神经网络模型搭建 | 第52页 |
| 5.3 超参数文件配置 | 第52-53页 |
| 5.4 神经网络模型训练 | 第53-54页 |
| 5.5 测试神经网络性能 | 第54-56页 |
| 6 总结与未来展望 | 第56-58页 |
| 6.1 论文总结 | 第56页 |
| 6.2 未来展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
