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
北京交通大学;