基于卷积神经网络的物体识别研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 基础理论和相关技术 | 第15-29页 |
| 2.1 物体识别的主要流程 | 第15-18页 |
| 2.1.1 数据预处理 | 第15-16页 |
| 2.1.2 特征提取 | 第16-17页 |
| 2.1.3 分类器 | 第17-18页 |
| 2.2 相关的理论结构 | 第18-21页 |
| 2.2.1 inception模型结构 | 第18-19页 |
| 2.2.2 时空金字塔下采样层 | 第19-21页 |
| 2.3 卷积神经网络 | 第21-25页 |
| 2.3.1 神经网络 | 第21-22页 |
| 2.3.2 CNN理论 | 第22-24页 |
| 2.3.3 CNN模型 | 第24页 |
| 2.3.4 CNN相关算法 | 第24-25页 |
| 2.4 YOLO算法 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 改进YOLO的卷积神经网络模型 | 第29-48页 |
| 3.1 基于YOLO网络的改进 | 第29-30页 |
| 3.2 基于损失函数的改进 | 第30-32页 |
| 3.3 改进的INCEPTION结构模型 | 第32-34页 |
| 3.4 改进的SPP结构模型 | 第34-35页 |
| 3.5 改进YOLO的卷积神经网络结构 | 第35-42页 |
| 3.6 与其他网络模型的对比 | 第42-47页 |
| 3.6.1 网络结构的对比 | 第42-46页 |
| 3.6.2 思想理论的对比 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 改进YOLO模型的设计与实现 | 第48-73页 |
| 4.1 算法设计 | 第48-53页 |
| 4.1.1 总体设计 | 第48-51页 |
| 4.1.2 前向传播流程 | 第51-52页 |
| 4.1.3 反向传播流程 | 第52-53页 |
| 4.2 算法实现 | 第53-57页 |
| 4.3 实验结果和对比 | 第57-63页 |
| 4.3.1 图片数据库 | 第57-59页 |
| 4.3.2 实验结果 | 第59-60页 |
| 4.3.3 结果对比 | 第60-63页 |
| 4.4 结果分析 | 第63-72页 |
| 4.4.1 混淆矩阵 | 第63-64页 |
| 4.4.2 时间复杂度 | 第64-68页 |
| 4.4.3 信息可视化 | 第68-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 物体识别系统的实现 | 第73-85页 |
| 5.1 系统任务需求 | 第73-74页 |
| 5.2 系统总体设计 | 第74-80页 |
| 5.2.1 结构设计 | 第74-75页 |
| 5.2.2 流程设计 | 第75-78页 |
| 5.2.3 界面设计 | 第78-80页 |
| 5.3 系统识别结果 | 第80-84页 |
| 5.4 本章小结 | 第84-85页 |
| 第六章 全文总结与展望 | 第85-87页 |
| 6.1 全文总结 | 第85-86页 |
| 6.2 后续工作展望 | 第86-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-90页 |
| 攻读硕士学位期间取得的成果 | 第90-91页 |
