基于卷积神经网络的水上目标检测方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第10-17页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于图像处理的水上目标检测研究现状 | 第12-13页 |
| 1.2.2 基于卷积神经网络的目标检测研究现状 | 第13-14页 |
| 1.3 存在的问题 | 第14-15页 |
| 1.4 本文主要内容 | 第15-17页 |
| 第2章 卷积神经网络 | 第17-36页 |
| 2.1 概述 | 第17页 |
| 2.2 网络结构 | 第17-24页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 激活函数 | 第19-21页 |
| 2.2.3 池化层 | 第21-22页 |
| 2.2.4 全连接层 | 第22-23页 |
| 2.2.5 损失函数 | 第23-24页 |
| 2.3 网络特点 | 第24-28页 |
| 2.3.1 稀疏连接 | 第24-25页 |
| 2.3.2 权值共享 | 第25-26页 |
| 2.3.3 池化 | 第26页 |
| 2.3.4 反向传播 | 第26-28页 |
| 2.4 目标检测策略 | 第28-35页 |
| 2.4.1 dropout | 第28-30页 |
| 2.4.2 批规范化 | 第30-31页 |
| 2.4.3 边框回归 | 第31-33页 |
| 2.4.4 非极大值抑制 | 第33-34页 |
| 2.4.5 目标检测评价指标 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于卷积神经网络的目标检测方法 | 第36-50页 |
| 3.1 基于区域提名的卷积神经网络检测方法 | 第37-43页 |
| 3.1.1 R-CNN目标检测方法 | 第37-38页 |
| 3.1.2 SPP-Net目标检测方法 | 第38-39页 |
| 3.1.3 FastR-CNN目标检测方法 | 第39-41页 |
| 3.1.4 FasterR-CNN目标检测方法 | 第41-43页 |
| 3.2 基于回归方法的卷积神经网络检测方法 | 第43-46页 |
| 3.2.1 YOLO目标检测方法 | 第43-45页 |
| 3.2.2 SSD目标检测方法 | 第45-46页 |
| 3.3 基于区域提名网络的多尺度改进方法 | 第46-49页 |
| 3.3.1 ION目标检测方法 | 第46-47页 |
| 3.3.2 HyperNet目标检测方法 | 第47-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 基于卷积神经网络的水上目标检测方法研究 | 第50-81页 |
| 4.1 卷积神经网络模型一 | 第50-59页 |
| 4.1.1 特征提取网络设计 | 第50-54页 |
| 4.1.2 候选区域提名网络设计 | 第54-57页 |
| 4.1.3 多任务损失网络设计 | 第57-59页 |
| 4.2 卷积神经网络模型二 | 第59-69页 |
| 4.2.1 特征提取网络设计 | 第59-67页 |
| 4.2.2 候选区域提名网络设计 | 第67-68页 |
| 4.2.3 多任务损失网络设计 | 第68-69页 |
| 4.3 实验设计与过程 | 第69-70页 |
| 4.3.1 实验设计 | 第69-70页 |
| 4.3.2 实验过程 | 第70页 |
| 4.4 实验结果与分析 | 第70-80页 |
| 4.4.1 船舶测试集的实验结果 | 第70-77页 |
| 4.4.2 船舶测试集实验结果对比分析 | 第77-79页 |
| 4.4.3 运行时间对比 | 第79-80页 |
| 4.5 本章小结 | 第80-81页 |
| 第5章 总结及展望 | 第81-83页 |
| 5.1 主要工作与创新点 | 第81-82页 |
| 5.2 后续研究及展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士学位期间发表的论文及研究成果介绍 | 第89页 |
