基于卷积神经网络的水下目标识别研究

目录

声明

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.2.1水下图像增强的研究现状

1.2.2基于深度学习的目标识别与检测的研究现状

1.3本文主要研究内容

第二章 水下目标识别系统搭建与数据集制作

2.1水下目标识别系统搭建

2.2数据集采集

2.2.1数据目标的选取与获取

2.2.2基于图像风格转换的图像扩增

2.3数据集的标注

2.4本章小结

第三章 基于背景光估计和颜色修正的水下图像增强方法研究

3.1常用图像增强算法分析

3.1.1 直方图均衡算法

3.1.2 水下图像复原

3.2 基于背景光估计和颜色修正的水下图像增强

3.2.1 基于R逆通道暗原色先验的水下增强

3.2.2 改进背景光估算方法

3.2.3 水下透射率估算

3.2.4 颜色较正

3.2.5算法流程

3.3 实验结果与分析

3.4本章小结

第四章 基于改进Faster R-CNN的目标识别方法研究

4.1经典目标识别方法分析

4.1.1 基于SIFT的目标识别

4.1.2 基于HOG的目标识别

4.2卷积神经网络的基本结构

4.2.1卷积层和激活函数

4.2.2池化层

4.2.3全连接层

4.2.4输出层

4.3 Faster R-CNN目标识别算法

4.3.1 特征提取层

4.3.2 RPN网络

4.3.3 ROI Pooling

4.3.4 R-CNN全连接模块

4.4基于Faster R-CNN的改进算法

4.4.1 Backbone改进

4.4.2 ROI Align

4.4.3全连接的改进

4.5 本章小结

第五章 目标识别实验与性能分析

5.1目标识别实验

5.2实验评价指标分析

5.2.1卷积神经网络的性能评估

5.1.2目标识别的评价指标

5.3 算法性能分析

5.3.1训练模型的损失值分析

5.3.2测试模型的精度，IoU与时间分析

5.3.3典型方法的对比分析

5.4 本章小结

总结与展望

总结

展望

参考文献

攻读学位期间发表的学术论文

致谢