首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于卷积神经网络的低对比度图像目标检测算法

摘要第4-5页
Abstract第5页
第1章 绪论第8-15页
    1.1 课题背景第8-9页
    1.2 国内外研究现状第9-13页
        1.2.1 模板匹配算法研究现状第10-11页
        1.2.2 基于CNN的检测算法研究现状第11-13页
    1.3 课题难点第13页
    1.4 研究内容和研究目标第13-14页
    1.5 章节安排第14-15页
第2章 级联卷积神经网络检测算法第15-32页
    2.1 卷积神经网络第15-20页
        2.1.1 卷积神经网络结构第16-17页
        2.1.2 卷积神经网络训练第17-20页
    2.2 级联卷积神经网络检测算法流程第20-21页
    2.3 候选区域提取第21-24页
        2.3.1 数据预处理第21-22页
        2.3.2 net-1 网络结构第22-24页
        2.3.3 在线候选区域提取过程第24页
    2.4 粗定位第24-28页
        2.4.1 数据预处理第25页
        2.4.2 网络结构第25-27页
        2.4.3 在线粗定位过程第27-28页
    2.5 定位校正第28-31页
        2.5.1 数据预处理第28-29页
        2.5.2 net-3 网络结构第29页
        2.5.3 在线校正定位过程第29-31页
    2.6 本章小结第31-32页
第3章 级联卷积神经网络检测算法改进第32-42页
    3.1 候选区域提取改进第32-36页
        3.1.1 重叠区域卷积运算冗余第32-33页
        3.1.2 全卷积神经网络第33-34页
        3.1.3 候选区域提取改进方法第34-36页
    3.2 粗定位改进第36-38页
        3.2.1 难分样本挖掘第36-37页
        3.2.2 基于级联CNN的难分样本挖掘第37-38页
    3.3 定位校正改进第38-41页
        3.3.1 改进的net-3 结构及训练第38-40页
        3.3.2 改进的在线校正定位过程第40-41页
    3.4 本章小结第41-42页
第4章 实验结果与分析第42-53页
    4.1 评价标准第42-43页
    4.2 本文算法的实验结果及分析第43-48页
        4.2.1 级联卷积神经网络检测算法实验结果第43-47页
        4.2.2 单个卷积神经网络检测算法实验结果第47-48页
    4.3 与不同方法的对比第48-51页
        4.3.1 与Vi Di Suite对比结果第48-50页
        4.3.2 与其他方法的对比第50-51页
    4.4 运行速度比较第51-52页
    4.5 本章小结第52-53页
结论第53-54页
参考文献第54-60页
致谢第60页

论文共60页,点击 下载论文
上一篇:养殖鱼类营养素和污染物含量及其对人体健康的“风险一收益”评估
下一篇:基于形式化方法的混成系统安全性检验