基于深度学习的目标检测与分割算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·传统图像识别算法简介 | 第11页 |
| ·前馈神经网络及反向传播算法介绍 | 第11-13页 |
| ·深度学习算法研究现状 | 第13-14页 |
| ·卷积神经网络简介 | 第14-15页 |
| ·研究内容及论文安排 | 第15-18页 |
| 第2章 基于卷积神经网络的快速行人车辆检测方法 | 第18-32页 |
| ·引言 | 第18-19页 |
| ·全卷积神经网络 | 第19-21页 |
| ·Softmax分类器 | 第21页 |
| ·知识提取 | 第21-23页 |
| ·神经网络的训练 | 第23-25页 |
| ·随机梯度下降法 | 第23-24页 |
| ·牛顿法 | 第24页 |
| ·AdaGrad学习率调整法 | 第24-25页 |
| ·AdaDelta学习率调整法 | 第25页 |
| ·快速行人车辆检测模型 | 第25-27页 |
| ·实验结果及其讨论 | 第27-32页 |
| 第3章 基于深度学习的类别分割至目标分割转化模型 | 第32-60页 |
| ·引言及课题背景 | 第32-34页 |
| ·超像素分割算法 | 第34-35页 |
| ·K均值聚类 | 第34页 |
| ·SLIC超像素分割算法 | 第34-35页 |
| ·基于概率的机器学习模型 | 第35-37页 |
| ·贝叶斯网络 | 第35-36页 |
| ·隐马尔可夫模型与马尔科夫随机场 | 第36-37页 |
| ·条件随机场 | 第37页 |
| ·基于神经网络拟合的条件随机场图像分割算法 | 第37-41页 |
| ·循环神经网络 | 第37-38页 |
| ·基于全卷积神经网络的图像语义分割算法 | 第38-39页 |
| ·基于循环神经网络拟合的条件随机场 | 第39-41页 |
| ·基于深度学习的类别分割至目标分割转化模型 | 第41-53页 |
| ·基于神经网络的图像语义分割算法 | 第41-45页 |
| ·最大目标掩膜预测算法 | 第45-48页 |
| ·局部特征与掩膜相结合的目标聚类 | 第48-53页 |
| ·实验效果与总结 | 第53-59页 |
| ·Pascal VOC数据集 | 第53-55页 |
| ·常用评价指标介绍 | 第55-56页 |
| ·实验结果与分析 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第4章 基于卷积神经网络的文本位置检测 | 第60-66页 |
| ·课题背景 | 第60页 |
| ·文字检测 | 第60-63页 |
| ·最大类间方差二值化算法 | 第61页 |
| ·基于全卷积神经网络的文字区域检测 | 第61-63页 |
| ·实验与结果分析 | 第63-66页 |
| 第5章 基于深度学习的图像检测识别软件架构 | 第66-70页 |
| ·Linux与Ubuntu系统介绍 | 第66页 |
| ·基于Python的整体结构介绍 | 第66-68页 |
| ·深度神经网络开源框架Caffe介绍 | 第68-69页 |
| ·科学计算建模工具theano介绍 | 第69页 |
| ·本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间所发表论文 | 第76-78页 |
| 致谢 | 第78页 |
