| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究的现状 | 第9-12页 |
| 1.3 卷积神经网络研究中的关键问题 | 第12页 |
| 1.4 本文主要研究内容与组织结构 | 第12-14页 |
| 第二章 卷积神经网络理论基础 | 第14-25页 |
| 2.1 卷积神经网络的基本介绍 | 第14-15页 |
| 2.2 卷积神经网络结构及技术 | 第15-20页 |
| 2.2.1 卷积层 | 第15-16页 |
| 2.2.2 池化层 | 第16页 |
| 2.2.3 激活层 | 第16-18页 |
| 2.2.4 全连接层 | 第18页 |
| 2.2.5 Softmax分类器 | 第18-20页 |
| 2.3 卷积神经网络算法 | 第20-22页 |
| 2.3.1 前向传播算法求解 | 第20-21页 |
| 2.3.2 反向传播算法求解 | 第21-22页 |
| 2.4 相关的卷积神经网络结构 | 第22-24页 |
| 2.4.1 GoogleNet | 第22-23页 |
| 2.4.2 VGGNet | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于改进捷径连接残差网络的单目标图像识别 | 第25-39页 |
| 3.1 ResNet介绍 | 第25-29页 |
| 3.1.1 残差学习 | 第26-27页 |
| 3.1.2 批量规范化层BN | 第27-29页 |
| 3.2 设计不同拓扑结构的ResNet | 第29-32页 |
| 3.2.1 Shortcut3-ResNet的构建 | 第29-30页 |
| 3.2.2 构建多种ResNet结构 | 第30-32页 |
| 3.3 实验及分析 | 第32-38页 |
| 3.3.1 实验环境 | 第32-33页 |
| 3.3.2 实验数据说明 | 第33-34页 |
| 3.3.3 实验过程及参数 | 第34页 |
| 3.3.4 实验结果及分析 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于改进YOLOv2的多目标图像识别 | 第39-56页 |
| 4.1 YOLOv2介绍 | 第39-43页 |
| 4.1.1 YOLO基本原理 | 第39-41页 |
| 4.1.2 非极大值抑制算法 | 第41-42页 |
| 4.1.3 YOLOv2的核心技术 | 第42-43页 |
| 4.2 改进的YOLOv | 第43-47页 |
| 4.2.1 细粒度特征提取 | 第43-45页 |
| 4.2.2 1×1的卷积核 | 第45-47页 |
| 4.2.3 损失函数的改进 | 第47页 |
| 4.3 VOC2007数据集的识别实验及结果分析 | 第47-51页 |
| 4.3.1 VOC2007数据集介绍 | 第47-48页 |
| 4.3.2 实验及结果分析 | 第48-51页 |
| 4.4 改进的YOLOv2在红外数据上的识别实验及结果分析 | 第51-55页 |
| 4.4.1 红外数据集 | 第51-52页 |
| 4.4.2 PASCAL VOC格式数据集制作 | 第52-53页 |
| 4.4.3 Anchor boxes计算 | 第53-54页 |
| 4.4.4 实验结果及分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表论文和科研情况说明 | 第62-63页 |
| 致谢 | 第63页 |