深度学习在渔业图像识别中的应用研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 水产动物图像识别研究现状 | 第11-14页 |
| 1.3 物体检测与识别研究现状 | 第14-16页 |
| 1.3.1 传统目标检测与识别方法 | 第15页 |
| 1.3.2 基于深度学习的目标检测与识别方法 | 第15-16页 |
| 1.4 主要研究内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17-18页 |
| 第二章 基本理论介绍 | 第18-34页 |
| 2.1 深度学习 | 第18-26页 |
| 2.1.1 全连接神经网络 | 第18-19页 |
| 2.1.2 深度卷积神经网络 | 第19-21页 |
| 2.1.3 VGG16 | 第21-22页 |
| 2.1.4 InceptionV3 | 第22-25页 |
| 2.1.5 ResNet50 | 第25-26页 |
| 2.2 迁移学习 | 第26-28页 |
| 2.3 微调 | 第28-29页 |
| 2.4 区域提议网络 | 第29-31页 |
| 2.5 目标检测算法 | 第31-34页 |
| 第三章 基于迁移学习的水产动物图像识别方法 | 第34-43页 |
| 3.1 TensorFlow与Keras框架 | 第34-35页 |
| 3.2 实验设置 | 第35页 |
| 3.3 数据归一化与提升 | 第35-36页 |
| 3.4 替换分类器实验与分析 | 第36-39页 |
| 3.4.1 替换分类器 | 第37-38页 |
| 3.4.2 通过fine-tune微调特征提取层 | 第38-39页 |
| 3.5 微调策略影响实验与分析 | 第39-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 面向渔业管理的多尺度小目标检测优化方法 | 第43-52页 |
| 4.1 实验设置 | 第43-44页 |
| 4.1.1 数据集准备 | 第43页 |
| 4.1.2 样本匹配与平衡 | 第43-44页 |
| 4.2 数据增强 | 第44-45页 |
| 4.3 稀疏卷积核 | 第45-46页 |
| 4.5 结构实现 | 第46-49页 |
| 4.6 实验结果与对比 | 第49-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录 | 第59-60页 |
| 致谢 | 第60页 |
