卷积神经网络在目标检测算法中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 基于特征描述子的方法 | 第9页 |
| 1.2.2 基于卷积神经网络的方法 | 第9-12页 |
| 1.3 本文研究内容与结构安排 | 第12-14页 |
| 第二章 卷积神经网络相关理论研究 | 第14-32页 |
| 2.1 卷积神经网络拓扑结构 | 第14-20页 |
| 2.1.1 卷积操作 | 第14-16页 |
| 2.1.2 激活函数 | 第16-18页 |
| 2.1.3 池化操作 | 第18页 |
| 2.1.4 Softmax与交叉熵损失函数 | 第18-20页 |
| 2.2 反向传播算法 | 第20-23页 |
| 2.2.1 前向传播 | 第20-21页 |
| 2.2.2 反向传播 | 第21-23页 |
| 2.3 卷积神经网络迭代算法 | 第23-26页 |
| 2.3.1 梯度下降法 | 第23-24页 |
| 2.3.2 梯度下降法衍生算法 | 第24-26页 |
| 2.4 实验结果与分析 | 第26-30页 |
| 2.4.1 CIFAR-10数据集 | 第27-28页 |
| 2.4.2 迭代实验分析 | 第28-29页 |
| 2.4.3 激活函数实验分析 | 第29-30页 |
| 2.5 小结 | 第30-32页 |
| 第三章 卷积神经网络模型优化 | 第32-42页 |
| 3.1 权值衰减 | 第32页 |
| 3.2 数据扩增 | 第32-36页 |
| 3.2.1 颜色扰动 | 第33-35页 |
| 3.2.2 几何变换 | 第35-36页 |
| 3.3 Dropout | 第36-37页 |
| 3.4 批归一化 | 第37-39页 |
| 3.5 实验结果与分析 | 第39-41页 |
| 3.6 小结 | 第41-42页 |
| 第四章 特征提取网络模型设计 | 第42-52页 |
| 4.1 ImageNet2012数据集 | 第42-43页 |
| 4.2 参数初始化 | 第43-44页 |
| 4.2.1 高斯分布初始化 | 第43页 |
| 4.2.2 Xavier初始化 | 第43-44页 |
| 4.2.3 MSRA方法 | 第44页 |
| 4.3 特征提取网络设计 | 第44-46页 |
| 4.4 特征提取网络训练结果与分析 | 第46-50页 |
| 4.4.1 实验平台 | 第47页 |
| 4.4.2 训练结果分析 | 第47-50页 |
| 4.5 小结 | 第50-52页 |
| 第五章 基于多尺度特征的目标检测模型 | 第52-61页 |
| 5.1 PASCALVOC数据集 | 第52-53页 |
| 5.2 SSD算法框架与原理 | 第53-55页 |
| 5.3 多尺度目标检测模型设计 | 第55-56页 |
| 5.4 训练与结果分析 | 第56-60页 |
| 5.5 小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录A 插图清单 | 第67-69页 |
| 附录B 表格清单 | 第69-70页 |
| 在学研究成果 | 第70-71页 |
| 致谢 | 第71页 |
