目录
摘 要 II
关键词 II
ABSTRACT III
KEY WORDS III
引言 1
1 选题背景 1
1．1 研究背景与选题意义 1
1．2 国内外研究现状 1
1．3 本文研究工作 2
2 文献综述 2
2．1 RCNN算法 2
2．2 空间金字塔池化 3
2．3 Fast RCNN算法 4
2．4 Faster RCNN算法 4
2．5 YOLO算法 5
2．6 SSD算法 6
3 方案论证 7
3．1 总流程方案 7
3．2 网络训练与测试 7
3．2．1 迁移训练 7
3．2．2 网络测试指标 7
4 过程论述 8
4．1 实验程序 8
4．1．1 编程语言及框架 8
4．1．2 算法实现 8
4．2 数据集 9
4．3 算法参数 11
4．4 参数对比实验 12
4．5 算法测试 13
4．6 犬类品种识别器的设计与实现 16
4．6．1 犬类品种识别器软件设计目的及功能 16
4．6．2 系统框架及工程设计 16
4．6．3 系统设计用例图 16
4．6．4 系统设计类图 17
4．6．5 系统功能顺序图 18
4．6．6 系统界面及功能展示 21
5 结果分析 25
5．1 RCNN系列算法测试结果分析 25
5．2 YOLO算法与SSD算法测试结果分析 26
6 讨论和结论 26
参考文献 27
致谢 28
基于神经网络的犬类品种识别器的设计与实现
摘 要
随着社会的发展，养犬家庭逐渐增多，人们对犬类品种的识别产生了新的需求，为满足这一 *51今日免费论文网|www.jxszl.com +Q: ^351916072* 
需求，进行了犬类品种识别器的设计。本文应用神经网络进行图像识别。识别的实验阶段涉及了近年来最为有效的几种目标检测算法，分别为RCNN，空间金字塔池化，Fast RCNN，Faster RCNN，YOLO算法及SSD算法。首先对这几种算法进行分析与研究，再对算法进行逐个实现。各网络的训练主要采用迁移学习，使用在ImageNet上预训练后的模型，在斯坦福大学犬类图片数据集上进行微调训练。训练后对它们进行精度及速度上的性能测试，测试使用了斯坦福大学犬类图片数据集与ImageNet犬类图片测试集，得出各算法的mAP值与FPS值，根据这两个测试值的比较结果判断各算法性能的优劣。经测试SSD算法具有最佳的性能，因此将SSD算法作为最后犬类品种识别器的封装算法。出于实用角度，挑选了18个最为常见的品种进行识别器的识别。软件设计过程应用软件工程的思想，绘制了用例图、类图与顺序图，并根据绘制出的图完成了程序设计。设计好的犬类品种识别软件能够识别犬类图片、进行网络再训练以及管理历史识别记录,有较高的实用价值。
引言
近年来养犬家庭逐渐增多，对犬类品种的识别成为了新的需求。图像识别是人工智能领域所需要研究的重要任务，也是计算机行业内的热门技术。本文进行的犬类品种识别主要通过目标检测实现。目标检测算法是近年来的新兴算法，第一个成功将神经网络运用到目标检测上的算法是与2014年提出的RCNN算法，RCNN算法的提出掀起了目标检测算法研究的热潮，紧接着基于RCNN算法进行改进的空间金字塔池化算法，Fast RCNN，Faster RCNN被接连提出，也有学者提出了YOLO算法，SSD算法等与RCNN算法截然不同的优质算法。本文进行了对各个算法的分析与实现，并根据测试数据进行算法之间的比较，最终选取效果最优的算法，将其进行了犬类品种识别软件封装。
1 选题背景
1．1 研究背景与选题意义
图像识别问题一直以来是计算机领域的重要问题。图像识别技术从上世纪便已起步，但一直发展缓慢，直到2010年后才随着深度学习的发展得到了质的提升[1]。深度学习即深度神经网络。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型[2]。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。近年来，神经网络已成为人工智能领域发展最快的分支之一，在图像识别、语音识别、自然语言处理等方面都能够得到有效的利用[3]。其中，在图像识别领域，神经网络已是最主要的实现方式。
图像识别涉及多个研究问题，最主要的问题为图像分类与目标检测[4]。目标检测与常规的图像分类不同，不仅要求将图像分到已学习过的某种类别中，还要求将目标对象在图像中的所在位置标识出来，且在图像中有多个可分类对象时，通常要求将所有可分类对象全部标识出来并分类[5]。因而相比于常规的图像分类，目标检测则更为复杂。
目标检测技术的研究起步较晚，最早的具有实用价值的目标检测算法，即RCNN算法，于2014年提出[6]。但近几年来，目标检测算法发展迅猛，如今已取得了很大的突破。Faster RCNN算法，YOLO算法等更为优秀的目标检测算法被接连提出，部分已投入使用。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605744.html