当前位置: 首页 > 儿童诗歌 > 文章

基于卷积神经网络的隧道目标检测算法研究

2019-07-11

基于卷积神经网络的隧道目标检测算法研究

摘要第4-5页Abstract第5-6页第1章绪论第9-15页研究背景和意义第9-11页国内外研究现状第11-13页国外研究现状第11-12页国内研究现状第12-13页工作内容第13页本文结构第13-15页第2章隧道目标检测算法技术分析对比第15-24页背景差分法第15-16页基于CNN的图像分类算法第16-20页图像分类算法的原理第16-19页图像分类算法的优点和难点第19-20页隧道目标检测算法第20-23页传统的隧道目标检测算法第20-21页基于深度学习的目标检测算法第21页基于背景差分法和CNN的隧道目标检测算法第21-22页隧道目标检测算法的评价指标第22-23页本章小结第23-24页第3章基于改进ViBe的背景差分法第24-35页隧道背景实验数据集第24-25页基于ViBe的改进背景建模算法第25-31页模型简介第25-27页颜色差异化函数改进ViBe模型第27-30页实验对比第30-31页提取候选区域第31-34页前景目标分割结果优化第31-32页根据前景目标分割结果获取候选区域第32-34页本章小结第34-35页第4章基于三重特征融合残差网络的图像分类算法第35-63页隧道图像分类实验数据集第35-37页隧道图像分类实验环境第37页的性能分析第37-42页神经网络可以拟合任意函数第38-41页网络层数越多抽象能力越强第41-42页浅层CNN的研究第42-52页浅层CNN的设计第43-44页浅层CNN的参数优化第44-52页深度残差网络第52-62页深度残差网络第52-56页三重特征融合的残差网络第56-61页网络性能对比第61-62页本章小结第62-63页第5章基于背景差分法与CNN的隧道目标检测算法第63-72页隧道目标检测数据集第63-64页基于背景差分法与CNN的隧道目标检测算法第64-65页隧道目标检测算法评价指标第65-66页实验设计及实验结果分析第66-70页实验设计第66-67页实验结果分析第67-70页算法的视频监控性能第70-71页本章小结第71-72页第6章总结与展望第72-74页总结第72-73页展望第73-74页致谢第74-75页参考文献第75-79页攻读硕士学位期间公开发表的学术论文第79页。