基于深度学习的无人机检测算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 无人机检测方案研究现状及分析 | 第11-12页 |
| 1.2.2 基于深度学习的目标检测技术研究现状 | 第12-13页 |
| 1.3 论文的研究内容与创新点 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 第二章 深度学习相关理论 | 第16-29页 |
| 2.1 深度学习的基本概念 | 第16-22页 |
| 2.1.1 人工神经网络 | 第16-18页 |
| 2.1.2 卷积神经网络 | 第18-20页 |
| 2.1.3 深度学习网络的训练 | 第20-22页 |
| 2.2 深度学习常用主干网络介绍 | 第22-24页 |
| 2.2.1 AlexNet网络 | 第22-23页 |
| 2.2.2 VGG网络 | 第23页 |
| 2.2.3 GoogleLeNet网络 | 第23-24页 |
| 2.3 基于深度学习的目标检测算法介绍 | 第24-27页 |
| 2.4 基于深度学习的实例分割算法介绍 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于深度学习的无人机检测算法研究 | 第29-43页 |
| 3.1 YOLOv3目标检测算法 | 第29-35页 |
| 3.1.1 主干网络 | 第30-32页 |
| 3.1.2 预测网络 | 第32-34页 |
| 3.1.3 损失函数 | 第34-35页 |
| 3.2 QCA损失 | 第35-37页 |
| 3.3 实验结果与分析 | 第37-41页 |
| 3.3.1 构建无人机数据集 | 第37-38页 |
| 3.3.2 深度学习网络训练 | 第38-39页 |
| 3.3.3 无人机检测结果和分析 | 第39-41页 |
| 3.3.4 检测算法缺陷 | 第41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于深度学习的无人机实例分割算法研究 | 第43-56页 |
| 4.1 YOLACT算法 | 第43-48页 |
| 4.1.1 主干网络及特征金字塔网络 | 第44-46页 |
| 4.1.2 模板生成模块 | 第46页 |
| 4.1.3 检测模块 | 第46-47页 |
| 4.1.4 损失函数 | 第47-48页 |
| 4.2 HRNet主干网络 | 第48-49页 |
| 4.3 HR-YOLACT算法 | 第49-51页 |
| 4.4 实验结果和分析 | 第51-55页 |
| 4.4.1 网络训练 | 第51-52页 |
| 4.4.2 无人机实例分割 | 第52-53页 |
| 4.4.3 算法缺点 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-59页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-66页 |
| 致谢 | 第66-67页 |
| 附录 :攻读硕士期间参加的项目及成果 | 第67页 |
