| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 传统图像识别方法 | 第11-13页 |
| 1.2.2 基于深度学习的目标检测 | 第13-15页 |
| 1.3 研究内容和组织结构 | 第15-16页 |
| 第2章 基于深度学习的图像检测网络模型 | 第16-24页 |
| 2.1 图像识别概述 | 第16页 |
| 2.2 基于深度学习的图像检测模型 | 第16-23页 |
| 2.2.1 RCNN模型 | 第16-18页 |
| 2.2.2 SPP-Net模型 | 第18-19页 |
| 2.2.3 YOLO模型 | 第19-20页 |
| 2.2.4 SSD模型 | 第20-21页 |
| 2.2.5 Faster R-CNN模型 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 系统总体设计 | 第24-31页 |
| 3.1 系统总体设计方案 | 第24-25页 |
| 3.2 数据集制作 | 第25-27页 |
| 3.2.1 图像标注 | 第26页 |
| 3.2.2 数据增强 | 第26-27页 |
| 3.3 控制系统设计 | 第27页 |
| 3.4 基于Faster R-CNN图像处理系统设计 | 第27-28页 |
| 3.5 坐标转换 | 第28-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第4章 Faster R-CNN网络设计 | 第31-42页 |
| 4.1 改进后Faster R-CNN网络模型结构 | 第31-32页 |
| 4.2 改进后网络结构 | 第32-41页 |
| 4.2.1 共享卷积层和RPN网络的优化设计 | 第32-36页 |
| 4.2.2 基于层次聚类的候选区域预筛选算法 | 第36-38页 |
| 4.2.3 分类器设计 | 第38-39页 |
| 4.2.4 基于NMS的回归器优化设计 | 第39-41页 |
| 4.2.5 反馈结构设计 | 第41页 |
| 4.3 本章小结 | 第41-42页 |
| 第5章 模型评估及实验结果分析 | 第42-51页 |
| 5.1 模型评估参数 | 第42-43页 |
| 5.2 训练模型的损失值与精度分析 | 第43-45页 |
| 5.3 测试模型精度分析 | 第45-47页 |
| 5.4 准确率与召回率分析 | 第47-48页 |
| 5.5 目标检测效果 | 第48-49页 |
| 5.6 各模型对比 | 第49-50页 |
| 5.7 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |