基于深度学习的边海防典型目标检测方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文结构安排 | 第12-14页 |
| 第2章 相关理论基础 | 第14-32页 |
| 2.1 引言 | 第14页 |
| 2.2 卷积神经网络 | 第14-20页 |
| 2.2.1 卷积神经网络概述 | 第14页 |
| 2.2.2 卷积神经网络结构 | 第14-18页 |
| 2.2.3 卷积神经网络中常用的激活函数 | 第18-20页 |
| 2.2.4 基于并行化的随机梯度下降法 | 第20页 |
| 2.3 Inception网络结构 | 第20-22页 |
| 2.4 目标分类和目标检测评价标准 | 第22-24页 |
| 2.4.1 目标分类算法评价标准 | 第22-23页 |
| 2.4.2 目标检测算法评价标准 | 第23-24页 |
| 2.5 基于候选区域的目标检测算法 | 第24-31页 |
| 2.5.1 算法整体结构 | 第25-26页 |
| 2.5.2 特征提取结构 | 第26-27页 |
| 2.5.3 区域生成网络 | 第27-28页 |
| 2.5.4 感兴趣区域池化 | 第28-29页 |
| 2.5.5 候选区域分类和边框回归 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于改进的候选区域目标检测方法 | 第32-51页 |
| 3.1 引言 | 第32页 |
| 3.2 算法整体框架 | 第32页 |
| 3.3 特征提取网络的改进 | 第32-44页 |
| 3.3.1 分类网络训练 | 第33-38页 |
| 3.3.2 深度可分离卷积 | 第38-41页 |
| 3.3.3 基于卷积的SE模块 | 第41-44页 |
| 3.4 可形变的卷积结构 | 第44-48页 |
| 3.5 候选区域的分类结构改进 | 第48-50页 |
| 3.5.1 位置敏感得分图 | 第48-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 实验结果对比与分析 | 第51-59页 |
| 4.1 引言 | 第51页 |
| 4.2 实验准备 | 第51-53页 |
| 4.2.1 数据集准备 | 第51-53页 |
| 4.2.2 模型准备 | 第53页 |
| 4.3 平均准确率和模型大小的比较 | 第53-55页 |
| 4.4 网络检测速度比较 | 第55-56页 |
| 4.5 验证网络在实际场景中的泛化能力 | 第56-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第5章 基于深度学习的边海防目标检测原型平台设计 | 第59-67页 |
| 5.1 原型平台需求分析 | 第59-60页 |
| 5.2 原型平台总体结构 | 第60-61页 |
| 5.2.1 原型平台架构设计 | 第60-61页 |
| 5.3 系统软件功能模块的设计 | 第61-64页 |
| 5.3.1 原型平台业务流程设计 | 第61-63页 |
| 5.3.2 原型平台数据存储设计 | 第63-64页 |
| 5.4 基于深度学习的图像检测系统设计与实现 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74页 |
