基于卷积神经网络的目标检测与识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究意义 | 第8页 |
| 1.2 研究背景 | 第8-9页 |
| 1.3 研究现状 | 第9-11页 |
| 1.3.1 目标检测 | 第9-10页 |
| 1.3.2 深度学习 | 第10-11页 |
| 1.4 主要研究内容 | 第11-12页 |
| 1.5 论文的组织结构 | 第12-13页 |
| 1.6 论文的创新点 | 第13-14页 |
| 第二章 相关研究 | 第14-22页 |
| 2.1 目标检测方法 | 第14-15页 |
| 2.2 人工神经网络 | 第15-19页 |
| 2.2.1 感知器单元 | 第15-17页 |
| 2.2.2 多层前馈网络和BP算法 | 第17-19页 |
| 2.3 卷积神经网络概述 | 第19-22页 |
| 2.3.1 卷积神经网络结构 | 第19-20页 |
| 2.3.2 权值共享 | 第20-21页 |
| 2.3.3 空间降采样 | 第21-22页 |
| 第三章 基于卷积神经网络的目标检测识别 | 第22-28页 |
| 3.1 总体框架 | 第22-23页 |
| 3.2 数据采集模块概述 | 第23-24页 |
| 3.2.1 视频数据 | 第23页 |
| 3.2.2 图片数据 | 第23-24页 |
| 3.3 数据集准备模块概述 | 第24-25页 |
| 3.3.1 目标检测方法介绍 | 第24页 |
| 3.3.2 Redis数据传递 | 第24页 |
| 3.3.3 数据集标注与准备 | 第24-25页 |
| 3.4 卷积神经网络训练与应用模块概述 | 第25-28页 |
| 3.4.1 总体方案 | 第25页 |
| 3.4.2 CNN模型构造 | 第25-26页 |
| 3.4.3 实时检测 | 第26-28页 |
| 第四章 运动目标检测研究与实现 | 第28-34页 |
| 4.1 几种背景建模算法的介绍与比较 | 第28-30页 |
| 4.1.1 统计平均法和中值平均法 | 第28页 |
| 4.1.2 IIR滤波方法 | 第28-29页 |
| 4.1.3 混合高斯背景建模方法 | 第29页 |
| 4.1.4 非参数核函数概率密度估计法 | 第29页 |
| 4.1.5 几种方法的优缺点比较 | 第29-30页 |
| 4.2 基于IIR滤波器的自适应背景建模算法 | 第30-32页 |
| 4.3 实验结果对比与分析 | 第32-34页 |
| 第五章 卷积神经网络的训练与检测结果分析 | 第34-42页 |
| 5.1 卷积神经网络算法 | 第34-35页 |
| 5.1.1 卷积层的梯度计算 | 第34页 |
| 5.1.2 降采样层梯度计算 | 第34-35页 |
| 5.2 卷积神经网络模型训练 | 第35-38页 |
| 5.3 实验结果 | 第38-42页 |
| 5.3.1 实验结果展示 | 第38-39页 |
| 5.3.2 实验结果分析 | 第39-40页 |
| 5.3.3 实验结果改进方案 | 第40-42页 |
| 第六章 工作总结与展望 | 第42-43页 |
| 6.1 本文工作总结 | 第42页 |
| 6.2 本文工作展望 | 第42-43页 |
| 参考文献 | 第43-46页 |
| 攻读硕士期间发表的论文 | 第46-47页 |
| 致谢 | 第47页 |
