基于卷积神经网络的藏独旗帜检测算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文工作与论文组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 相关理论与框架简介 | 第12-28页 |
| 2.1 卷积神经网络概述 | 第12-13页 |
| 2.1.1 与传统网络的区别 | 第12-13页 |
| 2.1.2 卷积神经网络特点 | 第13页 |
| 2.2 卷积神经网络结构分析 | 第13-21页 |
| 2.2.1 卷积层 | 第14页 |
| 2.2.2 激活层 | 第14-16页 |
| 2.2.3 池化层 | 第16-17页 |
| 2.2.4 网络输出 | 第17-20页 |
| 2.2.5 损失函数 | 第20-21页 |
| 2.3 卷积神经网络正则化方法 | 第21-24页 |
| 2.4 卷积神经网络优化方法 | 第24-26页 |
| 2.5 Keras深度学习框架简介 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于卷积神经网络的藏独旗帜识别算法 | 第28-45页 |
| 3.1 藏独旗帜检测任务分析 | 第28-31页 |
| 3.1.1 问题描述 | 第28-29页 |
| 3.1.2 藏独旗帜特征分析 | 第29-30页 |
| 3.1.3 算法设计难点分析 | 第30-31页 |
| 3.2 藏独旗帜数据集构建 | 第31-33页 |
| 3.3 模型性能评估 | 第33-35页 |
| 3.3.1 混淆矩阵 | 第33页 |
| 3.3.2 ROC与AUC | 第33-35页 |
| 3.4 基于卷积神经网络的藏独旗帜识别模型设计 | 第35-41页 |
| 3.4.1 网络结构模型 | 第35-36页 |
| 3.4.2 激活函数设计 | 第36页 |
| 3.4.3 损失函数与1x1卷积核设计 | 第36-38页 |
| 3.4.4 正则化设计 | 第38-39页 |
| 3.4.5 优化方法设计 | 第39-40页 |
| 3.4.6 网络的训练参数设置 | 第40-41页 |
| 3.5 实验与分析 | 第41-44页 |
| 3.5.1 特征图可视化 | 第42-43页 |
| 3.5.2 模型评估 | 第43页 |
| 3.5.3 实验结果与误差来源分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于多尺度匹配策略的藏独旗帜检测算法 | 第45-56页 |
| 4.1 区域提名 | 第45-46页 |
| 4.2 样本数据尺度分析 | 第46-47页 |
| 4.3 基于多尺度匹配策略的藏独旗帜检测模型 | 第47-51页 |
| 4.4 敏感信息屏蔽机制 | 第51-52页 |
| 4.5 实验结果与误差来源分析 | 第52-53页 |
| 4.6 与传统检测方法对比 | 第53-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文主要工作 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 在学期间的研究成果 | 第61-62页 |
| 致谢 | 第62页 |
