基于深度学习的图像识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 图像识别技术研究现状 | 第9-11页 |
| 1.2.2 深度学习研究现状 | 第11-12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 章节安排 | 第13-15页 |
| 第二章 图像识别与深度学习算法研究 | 第15-35页 |
| 2.1 图像识别算法研究 | 第15-21页 |
| 2.1.1 图像处理 | 第15-17页 |
| 2.1.2 图像特征提取 | 第17-20页 |
| 2.1.3 图像分类 | 第20-21页 |
| 2.2 深度学习的结构 | 第21-26页 |
| 2.2.1 生成型深度结构 | 第21-23页 |
| 2.2.2 判别型深度结构 | 第23-25页 |
| 2.2.3 混合型深度结构 | 第25-26页 |
| 2.3 深度学习常用算法模型描述 | 第26-33页 |
| 2.3.1 AlexNet算法模型 | 第26-28页 |
| 2.3.2 区域卷积神经网络算法模型 | 第28-30页 |
| 2.3.3 空间金字塔池化算法模型 | 第30页 |
| 2.3.4 快速区域卷积神经网络算法模型 | 第30页 |
| 2.3.5 FasterR-CNN算法模型 | 第30-31页 |
| 2.3.6 YOLO算法模型 | 第31页 |
| 2.3.7 MaskR-CNN算法模型 | 第31-32页 |
| 2.3.8 SSD算法模型 | 第32-33页 |
| 2.4 各算法性能分析 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于FasterR-CNN的飞机目标识别 | 第35-46页 |
| 3.1 FasterR-CNN | 第35-40页 |
| 3.1.1 RPN网络 | 第35-36页 |
| 3.1.2 FastR-CNN | 第36-39页 |
| 3.1.3 FasterR-CNN模型训练 | 第39-40页 |
| 3.1.4 多任务损失函数 | 第40页 |
| 3.2 试验过程及结果分析 | 第40-45页 |
| 3.2.1 实验模型及数据集 | 第40-42页 |
| 3.2.2 结果分析 | 第42-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第四章 基于MobileNet的SSD算法研究 | 第46-55页 |
| 4.1 SSD算法 | 第46-49页 |
| 4.1.1 SSD算法模型 | 第46-47页 |
| 4.1.2 默认框 | 第47页 |
| 4.1.3 目标损失函数 | 第47-48页 |
| 4.1.4 SSD训练过程 | 第48-49页 |
| 4.2 MobileNet | 第49-51页 |
| 4.2.1 模型结构 | 第49-50页 |
| 4.2.2 宽度系数和分辨率系数 | 第50-51页 |
| 4.3 实验过程及结果分析 | 第51-53页 |
| 4.3.1 模型结构 | 第51页 |
| 4.3.2 实验结果及分析 | 第51-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62页 |
