声明
致谢
1 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 坦克装甲车辆目标检测技术研究现状
1.2.2 深度学习目标检测技术研究现状
1.2.3 坦克装甲车辆目标检测存在的问题
1.3 本文主要内容及章节安排
2 坦克装甲车辆目标检测技术理论基础
2.1 Two-stage目标检测算法
2.1.1 Faster R-CNN算法原理
2.1.2 最佳检测框输出方法
2.2 One-stage目标检测算法
2.2.1 YOLOv1~v4算法原理
2.2.2 YOLOv5算法原理
2.3 YOLOv5算法缺陷
2.3.1 特征图可视化实验
2.3.2 YOLOv5算法存在的问题
2.4 本章小结
3 基于注意力机制的YOLOv5算法改进
3.1 深度学习中的attention机制
3.2 CA与CBAM注意力机制
3.2.1 SENet注意力机制
3.2.2 CA注意力机制
3.2.3 CBAM注意力机制
3.2.4 注意力模块位置
3.3 实验结果分析
3.4 本章小结
4 基于YOLOv5坦克车辆目标检测优化
4.1 算法运行环境搭建
4.1.1 深度学习框架选择
4.1.2 系统软硬件环境配置
4.1.3 深度学习环境搭建步骤
4.2 坦克装甲车辆数据集制作
4.3 YOLOv5坦克装甲车辆模型训练
4.3.1 训练技巧
4.3.2 Mosaic数据增强
4.3.3 HSV颜色空间扩增
4.4 YOLOv5坦克装甲车辆模型优化
4.4.1 网络模型轻量化
4.4.2 TensorRT加速部署
4.4.3 交互式界面设计与开发
4.5 模型性能检测
4.6 本章小结
5 坦克装甲车辆目标检测实验
5.1 鲁棒性实验
5.1.1 亮度实验
5.1.2 遮挡实验
5.1.3 旋转实验
5.1.4 拉伸实验
5.1.5 噪点实验
5.2 检测效果测试
5.3 失败检测分析
5.4 本章小结
6 结论
6.1 总结
6.2 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;