基于深度学习的RRU模块物体位姿检测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及研究意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-16页 |
| 1.2.2 国内研究现状 | 第16页 |
| 1.3 主要研究内容及章节安排 | 第16-20页 |
| 1.3.1 主要研究内容 | 第16-19页 |
| 1.3.2 本文章节安排 | 第19-20页 |
| 第2章 单通道方向性关键点检测器SSPD | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 方向性关键特征点 | 第20-21页 |
| 2.3 网络结构设计 | 第21-23页 |
| 2.4 边界框编码方式 | 第23-24页 |
| 2.5 旋转先验边界框 | 第24-25页 |
| 2.6 匹配准则 | 第25-26页 |
| 2.7 旋转角度估计 | 第26-28页 |
| 2.8 多边形扩展 | 第28-29页 |
| 2.9 本章小结 | 第29-31页 |
| 第3章 数据采集与深度神经网络训练 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 图像标注程序 | 第31-34页 |
| 3.3 数据采集与增广 | 第34-35页 |
| 3.4 损失函数 | 第35-37页 |
| 3.5 训练策略 | 第37-38页 |
| 3.6 检测结果 | 第38-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于Caffe框架的深度神经网络编写 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 深度学习框架Caffe | 第41-42页 |
| 4.3 自定义网络层 | 第42-44页 |
| 4.4 数据采集 | 第44-46页 |
| 4.5 预训练深度网络模型读取 | 第46-47页 |
| 4.6 深度网络结构编写 | 第47页 |
| 4.7 获取深度网络输出 | 第47-48页 |
| 4.8 本章小结 | 第48-49页 |
| 第5章 RRU模块光口与电源口位姿检测实验 | 第49-58页 |
| 5.1 引言 | 第49页 |
| 5.2 训练选项 | 第49-52页 |
| 5.2.1 输入图像分辨率 | 第49页 |
| 5.2.2 旋转先验框间隔角度 | 第49-51页 |
| 5.2.3 普通版本还是快速版本 | 第51-52页 |
| 5.3 对比试验 | 第52-57页 |
| 5.3.1 二值化 | 第53页 |
| 5.3.2 霍夫变换(HT) | 第53-54页 |
| 5.3.3 最小外接矩(MBR) | 第54-55页 |
| 5.3.4 检测效果对比 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64页 |
