FCN与CNN在铁路入侵目标识别中的应用研究

目录

声明

致谢

1 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 铁路异物侵限检测研究现状

1.2.2 深度学习研究现状

1.2.3 存在问题与发展趋势

1.3 本文研究内容及章节安排

1.3.1本文研究内容

1.3.2本文的章节安排

2 铁路异物入侵识别算法总体方案

2.1 铁路视频智能识别系统现状及需求

2.2 卷积神经网络

2.3 总体研究方案设计

2.3.1 铁路异物侵限样本数据库的构建

2.3.2 铁路限界区域自动划分方案设计

2.3.3 铁路目标自动识别方案设计

2.4 本章小结

3 铁路异物入侵样本库的建立

3.1 建立铁路异物入侵样本数据库的意义

3.2 铁路异物入侵样本数据库的建立

3.2.1 铁路异物入侵样本库的构成及样本预处理

3.2.2 铁路限界区域样本库构建及标注方法

3.2.3 铁路周界入侵异物样本库构建及标注方法

3.3 本章小结

4 基于全卷积网络的铁路周界区域提取算法

4.1 全卷积神经网络

4.2 现有的全卷积网络模型

4.2.1 U-Net神经网络

4.2.2 DeepLab-v3神经网络

4.3 基于改进Xception模型的深度神经网络

4.4 实验结果与分析

4.4.1 不同优化函数的实验结果比较

4.4.2 不同网络间的训练结果比较

4.5 本章小结

5 基于改进SSD网络的铁路异物检测算法

5.1 基于经典SSD的铁路异物检测算法

5.1.1 经典SSD网络算法分析

5.1.2 SSD基础网络选择

5.2 改进的SSD网络结构

5.2.1 引入Focal loss以及DIOU loss

5.2.2 引入反卷积结构

5.2.3 基于卷积核范数的裁剪

5.3 基于高速铁路数据集实验结果

5.4 基于PASCALVOC数据集实验结果

5.5 本章小结

6 总结与展望

6.1 工作总结

6.2 未来展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集