基于多层特征与新候选框生成机制的目标检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-14页 |
| 1.2.1 目标检测研究现状 | 第10-12页 |
| 1.2.2 卷积神经网络研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 图像目标检测算法概述 | 第16-28页 |
| 2.1 候选框生成 | 第16-21页 |
| 2.1.1 选择性搜索框 | 第16-19页 |
| 2.1.2 EdgeBoxes候选框生成方法 | 第19-20页 |
| 2.1.3 基于区域生成网络的候选框提取 | 第20-21页 |
| 2.2 特征提取 | 第21-25页 |
| 2.2.1 HOG特征 | 第22-23页 |
| 2.2.2 Haar-like特征 | 第23-24页 |
| 2.2.3 卷积神经网络 | 第24-25页 |
| 2.3 分类和定位 | 第25-27页 |
| 2.3.1 SVM | 第25-26页 |
| 2.3.2 Softmax | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于区域生成网络方法的研究与改进 | 第28-41页 |
| 3.1 对基于区域生成网络方法的改进 | 第28-31页 |
| 3.1.1 基于区域网络目标检测的特点 | 第28-29页 |
| 3.1.2 改进后的整体模型 | 第29-31页 |
| 3.2 改进的多层特征融合策略 | 第31-32页 |
| 3.3 改进的候选框生成方法 | 第32-34页 |
| 3.4 改进的全局上下文语境方法 | 第34-35页 |
| 3.5 网络训练机制 | 第35-40页 |
| 3.5.1 候选区域损失函数 | 第35-36页 |
| 3.5.2 二维框回归优化坐标定位 | 第36-38页 |
| 3.5.3 共享网络设置 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 实验结果与分析 | 第41-53页 |
| 4.1 实验环境介绍 | 第41-43页 |
| 4.1.1 训练环境搭建 | 第41页 |
| 4.1.2 数据集介绍 | 第41-42页 |
| 4.1.3 评价指标 | 第42-43页 |
| 4.2 改进方法的实验结果对比 | 第43-48页 |
| 4.2.1 网络参数设置与正负样本选取 | 第43-44页 |
| 4.2.2 多层特征融合对检测结果的影响 | 第44-46页 |
| 4.2.3 级联RPN对检测结果影响 | 第46-47页 |
| 4.2.4 全局上下文语境方法对检测结果影响 | 第47页 |
| 4.2.5 总体实验结果对比 | 第47-48页 |
| 4.3 实验结果分析 | 第48-52页 |
| 4.3.1 对多层特征融合实验结果分析 | 第48-50页 |
| 4.3.2 级联RPN结果分析 | 第50页 |
| 4.3.3 全局上下文语境方法结果分析 | 第50-51页 |
| 4.3.4 整体性能结果分析 | 第51-52页 |
| 4.4 时间性能分析 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间发表的论文 | 第59-61页 |
| 致谢 | 第61页 |
