轨道场景分类的紧致型深度学习方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 引言 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 论文的主要工作与研究内容 | 第11-12页 |
| 1.3 文章的组织架构 | 第12-14页 |
| 2 相关工作研究综述 | 第14-30页 |
| 2.1 引言 | 第14-18页 |
| 2.1.1 传统图像特征提取方法简述 | 第15-16页 |
| 2.1.2 卷积神经网络简述 | 第16-18页 |
| 2.2 高性能神经网络 | 第18-22页 |
| 2.2.1 VGG | 第18-19页 |
| 2.2.2 ResNet | 第19-21页 |
| 2.2.3 EfficientNet | 第21-22页 |
| 2.3 紧致型神经网络 | 第22-26页 |
| 2.3.1 深度可分离卷积 | 第22-24页 |
| 2.3.2 分组卷积 | 第24-26页 |
| 2.4 基于机器视觉的轨道检测 | 第26-30页 |
| 3 特征重用的深度可分离网络 | 第30-51页 |
| 3.1 引言 | 第30页 |
| 3.2 紧致型网络设计准则 | 第30-32页 |
| 3.3 特征重用的深度可分离网络 | 第32-40页 |
| 3.3.1 模型结构 | 第32-37页 |
| 3.3.2 模型优化 | 第37-40页 |
| 3.4 实验结果与分析 | 第40-50页 |
| 3.4.1 数据集制作 | 第40页 |
| 3.4.2 数据增广 | 第40-42页 |
| 3.4.3 实验设置 | 第42-44页 |
| 3.4.4 实验比较 | 第44-50页 |
| 3.5 小结 | 第50-51页 |
| 4 带有注意力机制的残差网络 | 第51-61页 |
| 4.1 引言 | 第51-52页 |
| 4.2 带有注意力机制的残差网络 | 第52-56页 |
| 4.2.1 注意力机制 | 第52-53页 |
| 4.2.2 模型结构 | 第53-56页 |
| 4.3 实验结果与分析 | 第56-59页 |
| 4.3.1 实验设置 | 第56页 |
| 4.3.2 实验比较 | 第56-59页 |
| 4.4 小结 | 第59-61页 |
| 5 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
