虚拟场景辅助学习的电力部件识别方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 论文选题理由和意义 | 第8页 |
| 1.2 国内外研究现状及存在的问题 | 第8-11页 |
| 1.3 本文主要工作 | 第11-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 2 虚拟数据集构建及利用虚拟影像的目标检测 | 第14-26页 |
| 2.1 虚拟数据集构建 | 第14-20页 |
| 2.1.1 利用虚拟引擎构建目标和场景模型 | 第14-15页 |
| 2.1.2 虚拟样本数据生成 | 第15-18页 |
| 2.1.3 Unity3D中的实现与接口 | 第18-20页 |
| 2.2 利用虚拟影像的目标检测 | 第20-25页 |
| 2.2.1 Faster R-CNN | 第20-21页 |
| 2.2.2 DPM与类haar级联分类器 | 第21-22页 |
| 2.2.3 基于几何约束的组合探测器 | 第22-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 迭代式增强训练 | 第26-36页 |
| 3.1 虚拟影像与真实影像的特点 | 第27-28页 |
| 3.2 人工辅助的真实数据样本获得 | 第28-29页 |
| 3.3 真实数据集与虚拟数据集的结合 | 第29-30页 |
| 3.4 在线困难样本挖掘的应用 | 第30-34页 |
| 3.4.1 HEM与OHEM | 第30-32页 |
| 3.4.2 深度学习框架Caffe与OHEM实现 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 实验与分析 | 第36-56页 |
| 4.1 虚拟样本生成 | 第36-39页 |
| 4.2 虚拟样本实验 | 第39-46页 |
| 4.2.1 Faster R-CNN的训练 | 第40-41页 |
| 4.2.2 DPM训练 | 第41-42页 |
| 4.2.3 类haar级联分类器训练 | 第42页 |
| 4.2.4 GCAD检测结果及分析 | 第42-46页 |
| 4.3 迭代式增强训练实验 | 第46-55页 |
| 4.3.1 不同训练集和网络模型的对比实验 | 第46-48页 |
| 4.3.2 不同训练过程的对比实验 | 第48-51页 |
| 4.3.3 不同数据集联合训练方式的对比实验 | 第51-52页 |
| 4.3.4 OHEM和拓展背景在训练中的表现 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
