前言
结合本人读研的经验,后续会持续分享目标检测类硕士大论文的写作技巧以及写作方法,形成写作模板,跟考研英语要背写作套路模板一样,只要按照写作模板进行更新内容完善研究内容的话,就能达到至少良好的盲省成绩,让千千万的硕士生顺利毕业变得不再那么困难。会进行持续关注,有兴趣的朋友可以关注。
基于深度学习的XXX检测技术研究与应用
Research and application of ship detection technology based on deep learning XXX images
作者姓名 |
|
|
学科专业 |
|
|
学位类型 |
|
|
指导教师 |
|
|
答辩主席 |
|
|
学位授予单位 |
|
|
论文提交日期 |
|
|
表 目 录
表3.1 K-means++算法生成的锚框表...
表3.2 实验软硬件环境表...
图 目 录
图1.2 传统目标检测算法流程图... 2
缩略语表
英文缩写 | 英文全称 | 中文对照(释义) |
YOLOv5 | You Only Look Once v5 | YOLOv5网络,一种单阶段目标检测网络 |
CIoU | Complete-IoU | 一种边框位置回归损失函数 |
...... | ...... | ..... |
摘 要
关键词:深度学习;遥感影像;舰船检测;YOLOv5;注意力机制
Abstract
Keywords: deep learning; remote sensing images; ship detection; YOLOv5; attention mechanism
第一章 绪论
1.1 研究背景及意义
一般要写三段,第一段写检测应用场景的意义和重要性,第二段写当前的
1.2 国内外研究现状
1.2.1 传统目标检测方法
传统的本领域目标检测方法,比如行人检测、遥感图像检测等,都有传统对应的检测算法进行检测的。可以通过知网看相关领域的综述性内容。
1.2.2 基于深度学习的目标检测方法
1.2.3 基于深度学习的xxx检测研究现状
1.3 论文的主要内容与技术路线
具体研究内容如下:
(1)。
(2)。
(3)。
通过总结本文研究内容,可以得到论文总体技术路线图,如图1.6所示。
图1.6 论文总体技术路线图
1.4 论文的结构安排
论文一共包含六个章节,每个章节主要内容如下:
第一章:绪论。
第二章:深度学习相关理论。
第三章:基于改进YOLOv5s的光学遥感影像舰船检测方法。
第四章:基于改进YOLOv5s的光学遥感影像舰船细粒度检测方法。
第五章:基于深度学习的光学遥感影像舰船检测平台。
第六章:总结与展望。对整篇论文的研究内容进行概括总结,针对研究中的不足之处进行总结,并提出未来的改进方向,为今后的研究打下基础。
第二章 深度学习相关理论
2.1 引言
2.2 卷积神经网络
2.2.1 卷积神经网络基本原理
2.2.1.1 卷积层
2.2.1.2 激活函数
2.2.1.3 池化层
2.2.1.4 全连接层
2.2.1.6 批量归一化层
2.2.2 经典卷积神经网络结构
深度学习思想提出后,卷积神经网络在计算机视觉等领域取得快速应用,研究者提出很多种卷积神经网络,具有代表性的AlexNet、VGGNet、GoogleNet、ResNet等,上述四种网络多用于图像分类领域,也用于目标检测算法的主干特征网络用来提取目标特征。下面将对以上四种典型的卷积神经网络进行详细介绍,为后续目标检测算法的研究改进做理论基础铺垫。
2.2.1.1 AlexNet
2.2.1.2 VGGNet
2.2.1.3 GoogLeNet
2.2.1.4 ResNet
2.3 Transformer模型
2.3.1 Transformer基础原理
2.3.2 Transformer在计算机视觉领域的应用
2.4 本章小结
本章首先对深度学习进行了概述,然后重点介绍了卷积神经网络相关基础理论,包括组成卷积神经网络的卷积层、激活函数、池化层、全连接层、Dropout层以及批量归一化层的基础理论;同时介绍了AlexNet、VGGNet、GoogLeNet和ResNet四种经典的卷积神经网络结构;然后对Transformer模型原理进行了详细介绍;最后介绍Transformer模型在计算机视觉领域应用上的发展历程。这些理论基础为后续算法的研究做了铺垫工作。
第三章 基于改进YOLO算法的xxx检测方法
3.1 引言
图3.1 YOLOv5s结构图
3.2.1 输入端
3.2.2 主干特征提取网络
3.2.3 特征融合网络
3.2.4 检测头
3.3 基于A-YOLOv5s的遥感图像舰船检测模型
3.3.1 总体网络模型
CA-YOLOv5s网络模型总体结构如图3.2所示。
图3.2 CA-YOLOv5s结构图
3.3.2 引入A模块基础原理
3.3.2.1 A模块
3.4 实验数据及处理
3.4.1数据集详细介绍
3.5 实验结果与分析
为验证所提出的XXX算法的有效性,本研究,且实验环境保持一致。
3.5.1 实验环境与参数设置
本章模型训练所使用的软硬件环境配置如下:采用Intel(R)Xeon(R)Gold 5218处理器,128G内存,64内核,NVIDIA Tesla T4显卡,显存为32GB,Ubuntu 18.04操作系统。使用Pytorch 1.8.0框架,Python版本为3.8,CUDA版本为11.1.1。实验软硬件环境如表3.2所示。
表3.2 实验软硬件环境表
操作系统 | CPU型号 | CPU内存 | GPU型号 | GPU内存 | Pytorch版本 | CUDA版本 |
Ubuntu 18.04 | Intel(R)Xeon(R)Gold 5218 | 128G | NVIDIA Tesla T4 | 32GB | Pytorch 1.8.0 | 11.1.1 |
表3.3 实验参数设置表
输入图像分辨率 | 迭代次数 | batch size | 优化器选择 | 动量 | 初始学习率 | 学习率衰减权重 |
640×640 | 100 | 16 | NAG | 0.937 | 0.01 | 0.0005 |
3.5.2 实验评价指标设定
本实验使用深度学习目标检测领域中常用的评价指标:平均精度(Average Precision,AP)、平均均值精度mAP(mean Average Precision,mAP)。AP为准确率(Precision)和召回率(Recall)曲线下方的面积大小,用于衡量在不同召回率的前提下的平均准确率,综合考虑召回率和准确率的影响,衡量检测任务中待测数据集每个类别的检测结果;mAP可以衡量检测任务中待测数据集中所有类别的检测结果。
3.5.3 对比实验结果与分析
3.5.4 消融实验结果与分析
3.5.5 检测效果图展示
3.6 本章小结
本章主要内容是针对。
第四章 基于XXXX检测方法
4.1 引言
4.2 基于B-YOLOv5s的遥感图像舰船细粒度检测模型
4.2.1 B-YOLOv5s网络模型
4.2.2 B1模块基础原理
4.2.3 B2模块基础原理
4.3 实验数据及处理
4.4 实验与结果分析
为确定,得出实验结果并进行分析。
4.4.1 实验环境与参数设置
4.4.2 实验评价指标设定
评价指标采用与上一章相同的指标,即平均精度(average precision,AP)、平均均值精度 (Mean Average Precision, mAP)、每张图片检测所需的时间t、计算量(GFLOPS)、参数量(Params)和权重(Weight)。
4.4.3 ECA卷积核参数取值实验结果与分析
4.4.4 ECA模块对比实验结果与分析
4.4.5 对比实验结果与分析
4.4.6 消融实验结果与分析
4.4.7 检测效果图展示
4.5 本章小结
本章首先,以实现遥感图像舰船检测在海洋搜救以及海上情报侦察预警等方面的应用。
第五章 基于深度学习的光学遥感图像舰船检测平台
5.1 引言
本章对前面两章节提出的基于CA-YOLOv5s的舰船检测和基于EB-YOLOv5s舰船细粒度检测方法进行工程性封装,结合应用需求以及场景,设计并实现一个基于PyQt5框架的简单易懂、操作便捷的遥感图像舰船检测平台,用于人员对遥感图像进行分析研判。首先对舰船平台总体设计进行,然后从用户需求出发,对平台的总体架构设计方案和各界面功能模块实现进行详细介绍,构成舰船目标检测平台测试集,来对舰船检测平台各个功能进行测试,验证提出检测舰船模型以及检测平台的有效性。
5.2 检测平台总体设计
5.2.1 平台需求分析
5.2.2 平台架构设计
图5.1 舰船检测平台总体设计图
5.3 检测平台各界面功能设计与实现
5.3.1 PyQt5工具简介
本文研究涉及的舰船检测算法模型与设计是基于python和Pytorch框架的,而python自带的轻量化GUI设计平台TKinter功能有限,所以,本文采用PyQt5[83]工具进行图形用户接口设计,搭建一个基于PyQt5的遥感图像舰船目标检测平台。
PyQt5是python编程语言和QT工具库的成功融合,其包含600多个类和超过5000个函数和方法,是由Digia和QT公司联合开发、设计的一套多平台多功能的GUI工具包,可以很方便的将UI模块设计转换成python语言脚本,在平台中调用和修改非常方便。
5.3.2 平台及应用开发环境
基于深度学习的光学遥感图像舰船检测平台的开发软硬件环境如表5.2所示。
表5.2 平台开发软硬件环境
配件名称 | 参数 |
CPU | 11th Gen Intel(R) Core(TM) i5-1135G7 |
内存 | 16GB |
显卡 | NVIDIA GeForce MX450 |
操作系统 | Windows10 |
开发语言 | Python3.8 |
Python相关包的支持 | Pyqt5,pyqt5-sip,opencv-python,torch,Numpy,pyyaml, Pillow, pycocotools, matplotlib, torchvision |
5.3.3 注册与登录界面设计
5.3.2.1 注册界面逻辑与功能实现
5.3.2.2 登陆界面逻辑与功能展示
5.3.4 舰船检测主界面设计
5.4 检测平台功能测试
5.4.1 遥感图像测试数据获取
5.4.2 测试实验过程
5.4.2.1 遥感图像舰船检测
5.4.2.2 舰船视频检测
5.3.2.3 卫星实时检测
5.4.3 测试实验结果与分析
5.5 本章小结
本章在PyQt5框架上搭建了一个基于深度学习的检测平台,验证提出检测舰船模型以及检测平台的有效性。
第六章 总结与展望
6.1 总结
参考文献
主要简历
致 谢