基于X光图像的违禁品检测卷积网络的设计与实现

目录

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