| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究内容及章节安排 | 第13-15页 |
| 1.3.1 研究目标 | 第13页 |
| 1.3.2 研究内容 | 第13页 |
| 1.3.3 结构安排 | 第13-15页 |
| 2 深度学习基础 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 神经网络相关概念 | 第15-17页 |
| 2.3 卷积网络的组成 | 第17-20页 |
| 2.4 训练优化算法 | 第20-21页 |
| 2.5 经典模型 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 基于MOBILENETV1-SSD算法与迁移学习的课堂姿态实时检测 | 第24-38页 |
| 3.1 SSD目标检测算法 | 第24-27页 |
| 3.2 深度可分离卷积 | 第27-28页 |
| 3.3 MOBILENETV1 网络架构 | 第28-30页 |
| 3.4 基于MOBILENETV1的SSD算法 | 第30页 |
| 3.5 数据集的采集与制作 | 第30-33页 |
| 3.5.1 基本数据制作 | 第30-32页 |
| 3.5.2 数据增强 | 第32-33页 |
| 3.6 迁移学习 | 第33-34页 |
| 3.7 实验结果及分析 | 第34-37页 |
| 3.8 本章小结 | 第37-38页 |
| 4 融合多路特征优化的FASTER R-CNN的离线视频姿态检测 | 第38-50页 |
| 4.1 引言 | 第38页 |
| 4.2 FASTER R-CNN | 第38-42页 |
| 4.2.1 RPN网络 | 第39-40页 |
| 4.2.2 Fast R-CNN | 第40-42页 |
| 4.3 Inception-Res Net-v2 模型结构 | 第42-43页 |
| 4.4 特征融合的卷积网络 | 第43-45页 |
| 4.5 实验及结果 | 第45-49页 |
| 4.5.1 数据集设置 | 第45页 |
| 4.5.2 训练参数设置 | 第45页 |
| 4.5.3 实验结果 | 第45-49页 |
| 4.6 本章小结 | 第49-50页 |
| 5 课堂执守网站 | 第50-67页 |
| 5.1 项目背景 | 第50页 |
| 5.2 相关技术介绍 | 第50-51页 |
| 5.3 需求分析 | 第51-52页 |
| 5.4 系统设计 | 第52-59页 |
| 5.4.1 架构设计 | 第52-53页 |
| 5.4.2 功能结构设计 | 第53页 |
| 5.4.3 流程图设计及说明 | 第53-55页 |
| 5.4.4 数据库设计 | 第55-59页 |
| 5.4.4.1 概念模型设计 | 第55-57页 |
| 5.4.4.2 逻辑模型设计 | 第57页 |
| 5.4.4.3 表结构设计 | 第57-59页 |
| 5.5 功能实现 | 第59-66页 |
| 5.5.1 登录页面 | 第59页 |
| 5.5.2 个人首页 | 第59-60页 |
| 5.5.3 课程管理 | 第60-61页 |
| 5.5.4 课件管理 | 第61-62页 |
| 5.5.5 考勤管理 | 第62-64页 |
| 5.5.6 个人管理 | 第64-66页 |
| 5.6 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 论文展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 附录 | 第74-75页 |
| 致谢 | 第75页 |
