基于卷积网络的物体检测应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究目的及意义 | 第8-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.4 论文的主要内容及章节安排 | 第13-15页 |
| 第二章 相关知识 | 第15-22页 |
| 2.1 深度学习概述 | 第15-16页 |
| 2.2 残差网络介绍 | 第16-18页 |
| 2.2.1 深度网络出现的问题简介 | 第16页 |
| 2.2.2 残差网络简介 | 第16-18页 |
| 2.3 全卷积网络概述 | 第18-22页 |
| 2.3.1 全卷积网络的提出 | 第18-19页 |
| 2.3.2 全卷积网络简介 | 第19-20页 |
| 2.3.3 全连接层到卷积层的转化 | 第20页 |
| 2.3.4 上采样操作 | 第20-22页 |
| 第三章 基于R-FCN的通用物体检测模型 | 第22-35页 |
| 3.1 改进的R-FCN物体检测框架 | 第22-28页 |
| 3.1.1 候选区域提取 | 第23-25页 |
| 3.1.2 感兴趣区域池化层 | 第25-26页 |
| 3.1.3 网络损失函数 | 第26-27页 |
| 3.1.4 非线性重合框算法 | 第27-28页 |
| 3.2 实验 | 第28-32页 |
| 3.2.1 实验数据集及评价指标 | 第28-29页 |
| 3.2.2 实验设置 | 第29-30页 |
| 3.2.3 实验分析 | 第30-32页 |
| 3.3 实验结果 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 基于卷积神经网络的限速牌分类模型 | 第35-47页 |
| 4.1 限速牌检测 | 第35-37页 |
| 4.2 数据集制作 | 第37-38页 |
| 4.3 样本虚拟扩展 | 第38-39页 |
| 4.3.1 正例样本制作 | 第38-39页 |
| 4.3.2 负例样本制作 | 第39页 |
| 4.4 CNN限速牌分类网络结构 | 第39-41页 |
| 4.5 实验 | 第41-45页 |
| 4.5.1 公开库实验 | 第41-42页 |
| 4.5.2 数据集及评价标准 | 第42-43页 |
| 4.5.3 限速标识牌分类实验 | 第43-44页 |
| 4.5.4 相似标识牌对比实验 | 第44-45页 |
| 4.6 本章小结 | 第45-47页 |
| 第五章 结论与展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士期间完成的科研情况 | 第55页 |
