|
|
|
基于深度学习的图像小目标检测方法研究 |
|
论文目录 |
|
摘要 | 第5-7页 | ABSTRACT | 第7-8页 | 第一章 绪论 | 第11-18页 | 1.1 研究背景和意义 | 第11-12页 | 1.2 研究现状 | 第12-16页 | 1.2.1 深度学习发展现状 | 第12-14页 | 1.2.2 目标检测技术研究现状 | 第14-16页 | 1.3 本文的研究内容 | 第16页 | 1.4 论文的组织结构 | 第16-18页 | 第二章 相关技术基础 | 第18-37页 | 2.1 卷积神经网络基本原理 | 第18-26页 | 2.1.1 卷积层 | 第18-20页 | 2.1.2 池化层 | 第20页 | 2.1.3 全连接层 | 第20-21页 | 2.1.4 激活函数层 | 第21-25页 | 2.1.5 Dropout层 | 第25-26页 | 2.1.6 批标准归一化层 | 第26页 | 2.2 几种常用的卷积神经网络模型 | 第26-32页 | 2.2.1 LeNet模型 | 第27页 | 2.2.2 AlexNet模型 | 第27-28页 | 2.2.3 VGGNet模型 | 第28-29页 | 2.2.4 Inception模型 | 第29-31页 | 2.2.5 ResNet模型 | 第31-32页 | 2.3 卷积神经网络目标检测相关理论 | 第32-36页 | 2.3.1 IOU | 第32-33页 | 2.3.2 边框回归 | 第33-34页 | 2.3.3 非极大值抑制 | 第34页 | 2.3.4 mAP | 第34-36页 | 2.4 本章小结 | 第36-37页 | 第三章 基于深度学习的目标检测 | 第37-47页 | 3.1 双阶段目标检测器 | 第37-41页 | 3.2 单阶段目标检测器 | 第41-43页 | 3.3 基于关键点的目标检测器 | 第43-45页 | 3.4 实验分析 | 第45-46页 | 3.5 本章小结 | 第46-47页 | 第四章 基于深度学习的遥感图像小目标检测 | 第47-57页 | 4.1 数据集制作及数据增强 | 第47-48页 | 4.2 预设Anchor的计算 | 第48-49页 | 4.3 神经网络训练 | 第49-51页 | 4.3.1 实验环境 | 第49页 | 4.3.2 神经网络模型 | 第49-50页 | 4.3.3 训练过程 | 第50-51页 | 4.4 实验结果及分析 | 第51-56页 | 4.4.1 特征图可视化 | 第51-53页 | 4.4.2 实验结果对比 | 第53-56页 | 4.5 本章小结 | 第56-57页 | 第五章 总结与展望 | 第57-59页 | 5.1 本文工作总结 | 第57-58页 | 5.2 未来工作展望 | 第58-59页 | 致谢 | 第59-60页 | 参考文献 | 第60-65页 | 攻读硕士学位期间取得的成果 | 第65页 |
|
|
|
|
论文编号BS4578586,这篇论文共65页 会员购买按0.35元/页下载,共需支付22.75元。 直接购买按0.5元/页下载,共需要支付32.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|