声明
摘要
1.1研究背景与意义
1.2国内外研究现状
1.2.1基于传统方法的目标检测
1.2.2基于深度学习方法的目标检测
1.2.3数据增强方法
1.3主要研究内容
1.4论文的组织架构
第2章应用于深度学习的数据增强方法研究
2.1基于深度学习的目标检测
2.1.1基于卷积神经网络的目标检测方法
2.1.2目标检测方法评价标准
2.2深度学习训练数据集的制备
2.2.1公共数据集
2.2.2基于二维图像的自定义类别数据集
2.2.3基于三维扫描模型的自定义类别数据集
2.3应用于深度学习的有监督数据增强方法
2.3.1单样本有监督数据增强方法
2.3.2多样本有监督数据增强方法
2.4本章小结
第3章基于三维模型的训练样本混叠增强方法研究
3.1.1物体的三维扫描建模
3.1.2初始模型后处理
3.1.3三维模型原始训练样本的获取
3.2原始训练样本的预处理及目标的自动标注
3.2.1初步目标轮廓的提取
3.2.2图像运算对初步轮廓的调整
3.2.3原始数据的自动标注
3.3基于混叠增强的数据集扩充方法及标注的自动更新
3.3.1旋律阜变换
3.3.2模糊处理
3.3.3亮度、对比度的调整
3.3.4目标的尺度变换
3.3.5目标的平移
3.3.6多目标的裁剪混叠
3.4三维模型样本混叠增强实验对比
3.4.1实验基础网络的选取
3.4.2混叠数据增强与传统数据增强方法的实验对比
3.4.3混叠数据增强关键参数的选取
3.5三维扫描建模采集方式的综合分析
3.5.2三维扫描建模采集方式的缺点
3.6本章小结
第4章基于二维图像的训练样本混叠增强方法
4.1二维图像训练样本的制备
4.1.1二维图像原始数据样本的制备
4.1.2感兴趣区域轮廓提取及优化
4.2二维样本的混叠增强相关实验
4.2.1二维样本的混叠增强与传统增强方式的实验对比
4.2.2二维样本与三维样本混叠方式实验对比及分析
4.2.3细粒度相近小物体的数据混叠增强实验
4.3数据采集方式综合对比分析
4.4本章小结
第5章数据采集自动化标注增强系统
5.1系统自动化及硬件配置
5.1.1系统的自动化处理
5.1.2系统的软硬件配置
5.1.3基于双路RTX3090的多GPU训练加速
5.2生成增强数据效率的优化
5.3系统性能分析
5.3.1数据采集效率
5.3.2数据处理及网络训练效率
5.3.3终端设备检测效率
5.4本章小结
第6章总结与展望
6.2后续工作展望
参考文献
致谢
攻读学位期间发表的学术成果和参加的科研项目
山东大学;