| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-19页 |
| 1.1 选题背景及意义 | 第14页 |
| 1.2 目标检测的研究现状及发展趋势 | 第14-17页 |
| 1.3 目标检测存在的难点及挑战 | 第17-18页 |
| 1.4 本文的主要研究内容 | 第18页 |
| 1.5 论文的组织结构 | 第18-19页 |
| 第2章 目标检测的基本方法 | 第19-37页 |
| 2.1 前言 | 第19页 |
| 2.2 目标检测中常用的术语 | 第19-23页 |
| 2.2.1 交并比 | 第19-20页 |
| 2.2.2 均值平均精度(MAP) | 第20页 |
| 2.2.3 非极大值抑制(NMS) | 第20-21页 |
| 2.2.4 边界框回归 | 第21-23页 |
| 2.3 基于R-CNN的目标检测方法 | 第23-24页 |
| 2.4 空间金字塔网络 | 第24-25页 |
| 2.5 基于Fast R-CNN的目标检测方法 | 第25-27页 |
| 2.5.1 Fast R-CNN网络结构 | 第26页 |
| 2.5.2 ROI pooling层 | 第26页 |
| 2.5.3 边框回归 | 第26-27页 |
| 2.6 基于Faster R-CNN的目标检测方法 | 第27-29页 |
| 2.6.1 Faster R-CNN结构 | 第27-28页 |
| 2.6.2 RPN网络结构 | 第28-29页 |
| 2.6.3 联合训练 | 第29页 |
| 2.6.4 实现细节 | 第29页 |
| 2.7 基于YOLO的目标检测方法 | 第29-32页 |
| 2.7.1 YOLO的创新 | 第29-30页 |
| 2.7.2 网络定义 | 第30页 |
| 2.7.3 全连接层输出的定义 | 第30-31页 |
| 2.7.4 Loss函数的定义 | 第31-32页 |
| 2.7.5 YOLO的不足 | 第32页 |
| 2.8 基于SSD的目标检测方法 | 第32-34页 |
| 2.8.1 采用多尺度特征图用于检测 | 第32-33页 |
| 2.8.2 采用卷积进行检测 | 第33页 |
| 2.8.3 设置先验框 | 第33-34页 |
| 2.8.4 网络结构 | 第34页 |
| 2.9 目标检测常用数据集 | 第34-35页 |
| 2.9.1 PASCAL VOC数据集 | 第34-35页 |
| 2.9.2 Microsoft COCO数据集 | 第35页 |
| 2.10 本章小结 | 第35-37页 |
| 第3章 基于特征融合的密集连接残差网络 | 第37-50页 |
| 3.1 前言 | 第37页 |
| 3.2 介绍 | 第37-39页 |
| 3.3 相关工作 | 第39-40页 |
| 3.4 密集连接的残差网络 | 第40-44页 |
| 3.4.1 动机 | 第40-41页 |
| 3.4.2 分类网络结构 | 第41-42页 |
| 3.4.3 特征转换 | 第42页 |
| 3.4.4 特征融合 | 第42-43页 |
| 3.4.5 分类网络训练方法 | 第43页 |
| 3.4.6 密集连接残差网络在Faster R-CNN中的结构设计 | 第43-44页 |
| 3.4.7 密集连接网络实现 | 第44页 |
| 3.5 实验 | 第44-48页 |
| 3.5.1 CIFAR-10分类实验 | 第44-48页 |
| 3.5.2 目标检测实验 | 第48页 |
| 3.6 本章小结 | 第48-50页 |
| 第4章 基于Faster R-CNN的快消品识别系统 | 第50-73页 |
| 4.1 快消品识别背景 | 第50页 |
| 4.2 系统模块 | 第50-53页 |
| 4.3 数据集制作 | 第53-55页 |
| 4.3.1 啤酒类别 | 第53页 |
| 4.3.2 啤酒的标签 | 第53-54页 |
| 4.3.3 标注原则 | 第54-55页 |
| 4.4 数据预处理 | 第55-59页 |
| 4.4.1 模糊判断 | 第55-56页 |
| 4.4.2 倾斜判断 | 第56-59页 |
| 4.5 模型训练 | 第59-64页 |
| 4.5.1 模型介绍 | 第59-61页 |
| 4.5.2 Object Dection安装 | 第61-62页 |
| 4.5.3 训练流程 | 第62-64页 |
| 4.6 模型测试 | 第64-65页 |
| 4.6.1 测试集 | 第64页 |
| 4.6.2 评价指标 | 第64-65页 |
| 4.6.3 测试程序设计 | 第65页 |
| 4.7 模型部署 | 第65-67页 |
| 4.7.1 编译安装Tensorflow Serving | 第65-66页 |
| 4.7.2 导出模型 | 第66页 |
| 4.7.3 模型部署配置 | 第66页 |
| 4.7.4 通过gRPC调用模型 | 第66-67页 |
| 4.8 多模型融合 | 第67-69页 |
| 4.8.1 货架连包模型融合 | 第67页 |
| 4.8.2 地堆大小标签模型融合 | 第67-69页 |
| 4.9 330ML和500ML误识别后处理 | 第69-72页 |
| 4.10 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 附录A 发表论文和参加科研情况说明 | 第80页 |
