基于深度学习的野外巡线系统图像目标检测研究
| 中文摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第11-34页 |
| 1.1 研究背景和意义 | 第11-17页 |
| 1.1.1 研究背景 | 第12-15页 |
| 1.1.2 研究的意义 | 第15-17页 |
| 1.2 国内外相关研究进展 | 第17-27页 |
| 1.2.1 国内外研究 | 第17-26页 |
| 1.2.2 研究存在的问题 | 第26-27页 |
| 1.3 研究的相关问题 | 第27-32页 |
| 1.3.1 研究内容 | 第27-29页 |
| 1.3.2 技术路线 | 第29-31页 |
| 1.3.3 研究方法 | 第31-32页 |
| 1.4 论文结构安排 | 第32-34页 |
| 2 相关理论的基本技术和方法 | 第34-65页 |
| 2.1 图像特征表达与提取 | 第34-45页 |
| 2.1.1 形状特征 | 第35-36页 |
| 2.1.2 颜色特征 | 第36-38页 |
| 2.1.3 纹理特征 | 第38-42页 |
| 2.1.4 几何特征 | 第42-45页 |
| 2.2 卷积神经网络 | 第45-54页 |
| 2.2.1 基础神经网络 | 第46-49页 |
| 2.2.2 卷积层 | 第49-52页 |
| 2.2.3 池化层 | 第52-53页 |
| 2.2.4 全连接层 | 第53页 |
| 2.2.5 批归一化层 | 第53-54页 |
| 2.3 分类器 | 第54-60页 |
| 2.3.1 SVM分类器 | 第54-58页 |
| 2.3.2 Softmax分类器 | 第58-59页 |
| 2.3.3 二值分类器 | 第59-60页 |
| 2.4 生成式对抗网络 | 第60-61页 |
| 2.4.1 GAN概述 | 第60页 |
| 2.4.2 GAN结构 | 第60-61页 |
| 2.5 图像目标检测性能评价 | 第61-65页 |
| 2.5.1 精确度 | 第61-62页 |
| 2.5.2 mAP | 第62-64页 |
| 2.5.3 检测速度 | 第64-65页 |
| 3 研究内容及实验数据集 | 第65-78页 |
| 3.1 研究内容 | 第65-66页 |
| 3.2 野外巡线系统图像概述 | 第66-70页 |
| 3.2.1 巡线图像简介 | 第66-67页 |
| 3.2.2 巡线图像分类 | 第67-70页 |
| 3.3 实验数据集 | 第70-78页 |
| 3.3.1 公开实验数据集 | 第72-75页 |
| 3.3.2 实拍巡线图像数据 | 第75-76页 |
| 3.3.3 数据集增强 | 第76-78页 |
| 4 巡线图像目标检测算法比较研究 | 第78-93页 |
| 4.1 传统的图像目标检测算法 | 第78页 |
| 4.2 深度学习图像目标检测算法 | 第78-87页 |
| 4.2.1 区域卷积神经网络 | 第79-81页 |
| 4.2.2 FasterRCNN模型 | 第81-85页 |
| 4.2.3 YOLO模型 | 第85-86页 |
| 4.2.4 SSD模型 | 第86-87页 |
| 4.3 对比实验分析 | 第87-93页 |
| 4.3.1 实验环境 | 第88-89页 |
| 4.3.2 验结果分析 | 第89-93页 |
| 5 基于FasterRCNN算法优化 | 第93-105页 |
| 5.1 基本思想 | 第93-94页 |
| 5.2 基于IRPN的优化 | 第94-96页 |
| 5.2.1 区域候选网络简介 | 第94-95页 |
| 5.2.2 感兴趣视觉机制 | 第95页 |
| 5.2.3 IRPN | 第95-96页 |
| 5.3 增加优化模块 | 第96-97页 |
| 5.4 多尺度特征提取 | 第97-98页 |
| 5.5 采用分类器级联 | 第98-99页 |
| 5.6 目标区域定位优化 | 第99-101页 |
| 5.6.1 目标区域定位优化思想 | 第99-101页 |
| 5.6.2 目标定位优化网络设计 | 第101页 |
| 5.7 模型训练过程 | 第101-102页 |
| 5.8 实验结果与分析 | 第102-105页 |
| 5.8.1 实验结果 | 第102-103页 |
| 5.8.2 实验分析 | 第103-105页 |
| 6 基于YOLO算法优化 | 第105-116页 |
| 6.1 算法优化思想 | 第106-108页 |
| 6.1.1 巡线图像目标检测问题 | 第106-107页 |
| 6.1.2 改进技术方向 | 第107-108页 |
| 6.2 E-YOLO算法优化 | 第108-112页 |
| 6.2.1 概述 | 第108页 |
| 6.2.2 基于FC的特征提取 | 第108-109页 |
| 6.2.3 边界框的预测 | 第109-110页 |
| 6.2.4 不同尺度训练 | 第110-112页 |
| 6.3 实验结果分析 | 第112-116页 |
| 6.3.1 数据集 | 第112页 |
| 6.3.2 模型训练测试 | 第112页 |
| 6.3.3 实验分析 | 第112-116页 |
| 7 总结与展望 | 第116-119页 |
| 7.1 论文工作总结 | 第116-117页 |
| 7.2 工作展望 | 第117-119页 |
| 致谢 | 第119-120页 |
| 参考文献 | 第120-126页 |
| 附录 | 第126页 |
