需要金幣： 2000 個金幣 |
資料包括：完整論文 |  |
 |
| 轉換比率：金額 X 10=金幣數(shù)量， 例100元=1000金幣 | 論文字數(shù)：19257 |  | |
| 折扣與優(yōu)惠：團購最低可5折優(yōu)惠 - 了解詳情 | 論文格式：Word格式(*.doc) |  |
摘 要：目標檢測作為計算機視覺領域的一個研究方向，主要在圖像處理中識別出目標的類別和位置信息；目標檢測運用深度學習、模式識別等技術，廣泛應用于許多領域，如人臉識別、車輛檢測等。隨著目標檢測技術的不斷應用，越來越多的研究人員對其都產生濃厚的興趣，并且也展開了多方面的探討和研究。 本課題首先探討傳統(tǒng)的目標檢測方法和基于深度學習的方法，以此介紹課題研究的意義所在。然后研究如AlexNet代表的經典CNN網絡結構，使用MS COCO數(shù)據(jù)集中的部分數(shù)據(jù)和標簽來進行網絡模型的訓練。隨后，應用相應的網絡優(yōu)化技術，對數(shù)據(jù)進行一定的處理，使模型表現(xiàn)的更好。接下來詳細闡述目標檢測技術中的R-CNN、Fast R-CNN、FPN等方法，通過在MS COCO數(shù)據(jù)集進行實驗測試。經過實驗結果的分析，發(fā)現(xiàn)各個算法之間的優(yōu)缺點，并了解算法逐步改進的思想。然后，針對實驗過程中遇到的訓練時間、預測精度、檢測時間等問題進行相應的分析，并給出一定的解決方案。最后，對課題研究的算法進行整體的匯總，在性能方面對算法進行了對比。對實驗中存在的問題做出了思考，對于后續(xù)如何進一步研究也做出了思考。 關鍵詞：MS COCO數(shù)據(jù)集；深度學習；卷積神經網絡
目錄 摘要 Abstract 1 緒論-1 1.1 研究背景及意義-1 1.2 研究現(xiàn)狀-1 1.3 主要研究內容-2 2 目標檢測的方法-2 2.1 傳統(tǒng)的目標檢測方法-2 2.2 基于深度學習的目標檢測方法-3 2.2.1卷積神經網絡-3 2.2.2大規(guī)模的數(shù)據(jù)庫-4 3 AlexNet網絡模型和網絡優(yōu)化技術-5 3.1 AlexNet卷積網絡模型-5 3.2 網絡的優(yōu)化-8 4.1 基于區(qū)域建議的卷積神經網絡（R-CNN）-9 4.1.1 R-CNN算法原理-9 4.1.2 R-CNN算法實現(xiàn)步驟-11 4.1.3 實驗結果及分析-14 4.2 基于區(qū)域建議的快速卷積神經網絡（Fast R-CNN）-17 4.2.1 Fast R-CNN算法原理-17 4.2.2 Fast R-CNN算法實現(xiàn)步驟-18 4.2.3 實驗結果及分析-19 4.3 特征金字塔（FPN）-21 4.3.1 FPN基本架構-22 4.3.2 基于特征金字塔的ResNet網絡結構-23 4.3.2 FPN在目標檢測中的實際應用-24 4.3.3 實驗結果與分析-24 5 思考與展望-26 參 考 文 獻-28 致 謝-29 |
