| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 鱼类识别在国内外研究现状 | 第12-13页 |
| 1.2.2 监控场景下的鱼类检测算法在国内外研究现状 | 第13页 |
| 1.3 本文主要内容和论文框架 | 第13-15页 |
| 第2章 基于深度学习的目标检测技术 | 第15-29页 |
| 2.1 卷积神经网络 | 第15-20页 |
| 2.1.1 发展过程 | 第15-16页 |
| 2.1.2 基本结构 | 第16-19页 |
| 2.1.3 卷积神经网络的特点 | 第19-20页 |
| 2.2 目标检测 | 第20-27页 |
| 2.2.1 R-CNN | 第22-23页 |
| 2.2.2 SPP-Net | 第23-24页 |
| 2.2.3 Fast-RCNN | 第24-25页 |
| 2.2.4 Faster-RCNN | 第25-27页 |
| 2.3 深度学习框架——TensorFlow | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 电子监控下的鱼类图像增强及数据集制作 | 第29-36页 |
| 3.1 图像增强 | 第29-32页 |
| 3.2 数据集制作 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 鱼类检测网络的选择与改进 | 第36-47页 |
| 4.1 基于区域候选的目标检测网络对比 | 第36-37页 |
| 4.2 Faster-RCNN | 第37-38页 |
| 4.3 改进特征提取网络 | 第38-40页 |
| 4.4 改进RPN区域建议网络 | 第40-42页 |
| 4.4.1 改进锚窗(anchor box) | 第40-41页 |
| 4.4.2 改进非极大值抑制算法 | 第41-42页 |
| 4.5 Faster R-CNN训练与检测 | 第42-44页 |
| 4.4.1 迁移学习(Transfer Learning)初始化模型 | 第42-43页 |
| 4.4.2 Faster-RCNN模型训练过程 | 第43-44页 |
| 4.4.3 Faster-RCNN测试过程 | 第44页 |
| 4.6 实验对比 | 第44-46页 |
| 4.6.1 性能指标 | 第44-45页 |
| 4.6.2 结果与分析 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第5章 分两步的鱼类识别方法 | 第47-58页 |
| 5.1 鱼类分类网络 | 第47-51页 |
| 5.2 Inception-ResNet | 第51-54页 |
| 5.3 实验与分析 | 第54-56页 |
| 5.3.1 数据扩增 | 第54-55页 |
| 5.3.2 分类网络对比 | 第55-56页 |
| 5.3.3 识别框架对比 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间参加的科研项目和成果 | 第64页 |