基于多尺度的深度卷积网络的场景识别
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 论文选题的来源与意义 | 第12-15页 |
| 1.2 基于深度学习的场景理解的研究现状以及动态 | 第15-18页 |
| 1.2.1 场景分类 | 第16-17页 |
| 1.2.2 场景定位和检测 | 第17-18页 |
| 1.3 本文的研究内容及组织架构 | 第18-20页 |
| 第二章 深度卷积网络 | 第20-38页 |
| 2.1 卷积神经网络的结构 | 第20-26页 |
| 2.1.1 卷积层 | 第21-23页 |
| 2.1.2 池化层 | 第23页 |
| 2.1.3 非线性化 | 第23-24页 |
| 2.1.4 权值共享与参数减少 | 第24-26页 |
| 2.2 全连接层 | 第26-27页 |
| 2.3 防止过拟合 | 第27-32页 |
| 2.3.1 数据增强 | 第27-30页 |
| 2.3.2 DROPOUT | 第30-32页 |
| 2.4 模型的训练 | 第32-36页 |
| 2.4.1 反向传播 | 第32-34页 |
| 2.4.2 随机梯度下降 | 第34-36页 |
| 2.5 小结 | 第36-38页 |
| 第三章 特征提取与分类器 | 第38-50页 |
| 3.1 引言 | 第38-40页 |
| 3.2 特征提取算法的简介 | 第40页 |
| 3.3 MOP-VLAD | 第40-44页 |
| 3.3.1 深度卷积网络提取特征的不足 | 第41-42页 |
| 3.3.2 MOP-CNN | 第42-43页 |
| 3.3.3 VLAD池化 | 第43-44页 |
| 3.3.4 不变性的分析 | 第44页 |
| 3.4 实验分析 | 第44-49页 |
| 3.4.1 实验配置 | 第45页 |
| 3.4.2 实验结果 | 第45-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 空间金字塔池化网络结构 | 第50-64页 |
| 4.1 改进的网络结构 | 第50-52页 |
| 4.1.1 传统深度卷积网络的缺点 | 第50-51页 |
| 4.1.2 传统深度卷积网络改进的空间 | 第51-52页 |
| 4.2 空间金字塔池化层 | 第52-53页 |
| 4.3 带有空间金字塔池化层网络的训练 | 第53-56页 |
| 4.3.1 单一尺寸图像的训练 | 第54页 |
| 4.3.2 多尺寸训练 | 第54-56页 |
| 4.4 SPP网络用于物体检测 | 第56-57页 |
| 4.5 场景分类实验 | 第57-63页 |
| 4.5.1 数据集 | 第57-59页 |
| 4.5.2 网络结构 | 第59-60页 |
| 4.5.3 实验过程与结果 | 第60-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 物体检测 | 第64-71页 |
| 5.1 R-CNN结构 | 第64-67页 |
| 5.1.1 模块设计 | 第66页 |
| 5.1.2 测试时间检测 | 第66页 |
| 5.1.3 训练 | 第66-67页 |
| 5.2 SPP用于物体检测 | 第67-69页 |
| 5.2.1 检测算法 | 第68页 |
| 5.2.2 预训练的微调 | 第68-69页 |
| 5.3 实验结果 | 第69-70页 |
| 5.4 小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-72页 |
| 参考文献 | 第72-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间已发表或录用的论文 | 第83页 |
