基于卷积热点图回归的牛体姿态估计研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于整体特征的姿态估计方法 | 第12-13页 |
| 1.2.2 基于模型的姿态估计方法 | 第13页 |
| 1.2.3 基于深度学习的姿态估计方法 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 相关技术原理与模型介绍 | 第16-31页 |
| 2.1 卷积神经网络概述 | 第16-27页 |
| 2.1.1 卷积 | 第18-20页 |
| 2.1.2 反卷积 | 第20-21页 |
| 2.1.3 激活函数 | 第21-22页 |
| 2.1.4 池化 | 第22-23页 |
| 2.1.5 损失函数 | 第23-24页 |
| 2.1.6 前向传播 | 第24-25页 |
| 2.1.7 反向传播 | 第25-27页 |
| 2.2 VGGNets与FCN | 第27-30页 |
| 2.2.1 VGGNets | 第27-28页 |
| 2.2.2 FCN | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于卷积热点图回归的牛体姿态估计模型 | 第31-37页 |
| 3.0 牛体姿态估计的定义与关键特征点的选取 | 第31-32页 |
| 3.1 牛体姿态估计模型的估计方案 | 第32-33页 |
| 3.2 姿态估计模型损失函数的定义 | 第33-34页 |
| 3.2.1 特征探测子网的损失函数 | 第33-34页 |
| 3.2.2 特征回归子网损失函数 | 第34页 |
| 3.3 姿态估计模型的设计与分析 | 第34-36页 |
| 3.3.1 特征探测子网模型的设计与分析 | 第35-36页 |
| 3.3.2 特征回归子网模型的设计与分析 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 牛体特征点标定与实验标签制作 | 第37-44页 |
| 4.1 数据集的预处理 | 第37-39页 |
| 4.2 牛体姿态关键特征点的标定 | 第39-40页 |
| 4.3 实验标签的制作 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 实验与分析 | 第44-52页 |
| 5.1 实验环境介绍 | 第44页 |
| 5.2 实验设计与结果分析 | 第44-51页 |
| 5.2.1 实验设计 | 第44-46页 |
| 5.2.2 实验结果的量化标准 | 第46-47页 |
| 5.2.3 实验结果分析 | 第47-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 作者简介 | 第58页 |
