基于卷积网络的物体检测应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的及意义 | 第9-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.4 论文的主要内容及章节安排 | 第14-16页 |
| 第二章 相关理论基础 | 第16-25页 |
| 2.1 深度学习概述 | 第16-17页 |
| 2.2 卷积神经网络概述 | 第17-25页 |
| 2.2.1 卷积神经网络简介 | 第17-18页 |
| 2.2.2 卷积神经网络结构 | 第18-25页 |
| 第三章 基于Fast R-CNN的行人检测模型 | 第25-45页 |
| 3.1 改进的Fast R-CNN行人检测框架 | 第25-32页 |
| 3.1.1 候选区域提取 | 第26-27页 |
| 3.1.2 感兴趣区域池化层 | 第27页 |
| 3.1.3 网络损失函数 | 第27-29页 |
| 3.1.4 CNN样本迭代学习次序 | 第29-30页 |
| 3.1.5 概率加权投票合重框 | 第30-32页 |
| 3.2 实验 | 第32-39页 |
| 3.2.1 实验数据集及评价指标 | 第32-34页 |
| 3.2.2 实验设置 | 第34页 |
| 3.2.3 实验分析 | 第34-39页 |
| 3.3 实验结果 | 第39-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于卷积神经网络的车型分类模型 | 第45-61页 |
| 4.1 前向车辆检测 | 第45-47页 |
| 4.2 数据集制作 | 第47-50页 |
| 4.3 样本对齐与抠取 | 第50-52页 |
| 4.4 CNN车型分类网络结构 | 第52-54页 |
| 4.5 实验 | 第54-60页 |
| 4.5.1 边界扩充对比实验 | 第54-55页 |
| 4.5.2 数据集及评价标准 | 第55-56页 |
| 4.5.3 训练迭代次数对比试验 | 第56-58页 |
| 4.5.4 实验结果 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 攻读硕士期间完成的科研情况 | 第71页 |
