声明
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 基于X光图像违禁品检测技术
1.2.2 传统机器学习目标检测技术
1.2.3 深度学习目标检测技术
1.2.4 数据来源
1.3 论文主要研究内容
1.4 论文的组织结构
2 相关理论和技术
2.1 Two-Stage模型简介
2.1.1 R-CNN概述
2.1.2 SPPNet 简介
2.1.3 Fast R-CNN说明
2.1.4 Faster R-CNN介绍
2.2 One-Stage模型简介
2.2.1 YOLOv1概述
2.2.2 SSD简介
2.2.3 YOLOv2说明
2.2.4 YOLOv3介绍
2.3 检测模型性能对比
2.3.1 评价指标
2.3.2 性能对比
2.4 本章小结
3 违禁品检测网络的设计
3.1 损失函数
3.1.1 同类物体密集分布现象
3.1.2 互斥损失函数
3.2 密集卷积
3.2.1 残差结构
3.2.2 密集卷积模块
3.3 激活函数
3.3.1 前向传播与反向传播
3.3.2 梯度消失问题
3.3.3 SReLU激活函数
3.4 本章小结
4 违禁品检测网络的实现
4.1 违禁品检测网络的优化
4.1.1 先验框生成
4.1.2 权重参数优化
4.1.3 迁移学习
4.2 网络的实现
4.2.1 基于互斥损失函数的YOLOv3模型
4.2.2 基于密集卷积的YOLOv3模型
4.2.3 基于SReLU激活函数的YOLOv3模型
4.3 实验数据
4.3.1 数据来源
4.3.2 数据标注
4.4 本章小结
5 违禁品检测网络实验与结果分析
5.1 实验环境
5.2 关键步骤
5.2.1 模型训练
5.2.2 非极大值抑制
5.3 实验结果与分析
5.3.1 Rep-YOLOv3模型
5.3.2 Dense-YOLOv3模型
5.3.3 SReLU-YOLOv3模型
5.3.4 整体性能评估
5.4 本章小结
6 总结与展望
参考文献
致谢
东华大学;