基于YOLO的目标检测算法设计与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传统的目标检测算法 | 第12-13页 |
| 1.2.2 神经网络发展历史 | 第13-14页 |
| 1.2.3 深度学习在目标检测领域的研究现状 | 第14-16页 |
| 1.2.4 研究现状小结 | 第16页 |
| 1.3 研究生期间完成的工作 | 第16-17页 |
| 1.4 本文主要研究内容及结构安排 | 第17-19页 |
| 第二章 相关基础知识 | 第19-35页 |
| 2.1 人工神经网络 | 第19-23页 |
| 2.1.1 神经元 | 第19-20页 |
| 2.1.2 神经网络模型 | 第20-22页 |
| 2.1.3 反向传播 | 第22-23页 |
| 2.2 卷积神经网络 | 第23-28页 |
| 2.2.1 CNN理论 | 第23-26页 |
| 2.2.2 经典CNN模型——LeNet5 | 第26-27页 |
| 2.2.3 现代CNN模型——AlexNet | 第27页 |
| 2.2.4 深度学习目标检测网络——R-CNN | 第27-28页 |
| 2.3 YOLO算法简介 | 第28-32页 |
| 2.3.1 YOLO的网络结构 | 第29-30页 |
| 2.3.2 检测流程 | 第30-31页 |
| 2.3.3 YOLO优缺点分析 | 第31-32页 |
| 2.4 相关评价指标 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 针对YOLOv2算法训练精度的改进 | 第35-48页 |
| 3.1 YOLO检测精度缺陷分析 | 第35-37页 |
| 3.1.1 固定阈值筛选的缺陷 | 第36页 |
| 3.1.2 非极大值抑制算法的缺陷 | 第36-37页 |
| 3.1.3 算法分析小结 | 第37页 |
| 3.2 NMS重叠框置信度的调整 | 第37-42页 |
| 3.2.1 传统NMS的实现方法 | 第37-39页 |
| 3.2.2 改进的NMS算法 | 第39-40页 |
| 3.2.3 实验结果与分析 | 第40-42页 |
| 3.3 动态阈值设计 | 第42-47页 |
| 3.3.1 动态阈值设计思想 | 第42页 |
| 3.3.2 空间金字塔池化 | 第42-44页 |
| 3.3.3 基于动态阈值的改进算法 | 第44-45页 |
| 3.3.4 实验结果与分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 针对YOLOv2算法训练效率的改进 | 第48-56页 |
| 4.1 YOLO训练效率分析 | 第48-51页 |
| 4.1.1 回归训练过程分析 | 第48-50页 |
| 4.1.2 梯度弥散和过拟合问题 | 第50-51页 |
| 4.2 基于YOLO网络结构改进 | 第51-54页 |
| 4.2.1 基于损失函数的改进 | 第51-52页 |
| 4.2.2 添加批规范化层 | 第52-53页 |
| 4.2.3 全卷积网络实现 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于改进算法的目标检测系统实现 | 第56-61页 |
| 5.1 系统任务需求 | 第56-57页 |
| 5.2 系统结构设计 | 第57-59页 |
| 5.3 系统结果展示 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 论文总结 | 第61-62页 |
| 6.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 作者攻读学位期间发表的学术论文目录 | 第69页 |
