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 |