| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于传统方法的目标检测 | 第9-11页 |
| 1.2.2 基于深度学习的目标检测 | 第11-12页 |
| 1.3 目标检测面临的挑战 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13页 |
| 1.5 本文的组织结构 | 第13-16页 |
| 2 目标检测算法相关理论基础 | 第16-34页 |
| 2.1 卷积神经神经网络(CNN) | 第16-24页 |
| 2.1.1 卷积神经网络结构 | 第16-17页 |
| 2.1.2 神经元 | 第17-18页 |
| 2.1.3 卷积层 | 第18-20页 |
| 2.1.4 激活函数 | 第20-22页 |
| 2.1.5 池化层 | 第22-23页 |
| 2.1.6 全连接层 | 第23-24页 |
| 2.2 常用的卷积神经网络介绍 | 第24-26页 |
| 2.2.1 AlexNet | 第24-25页 |
| 2.2.2 VGGNet | 第25页 |
| 2.2.3 GoogleIncceptionNet | 第25-26页 |
| 2.3 目标检测中评价指标 | 第26-31页 |
| 2.3.1 IOU(交并比) | 第26-28页 |
| 2.3.2 MAP(均值平均精度) | 第28页 |
| 2.3.3 NMS(非极大值抑制) | 第28-29页 |
| 2.3.4 边界框回归(Bounding-boxregression) | 第29-30页 |
| 2.3.5 精确率与召回率(Precision&recall) | 第30-31页 |
| 2.4 深度学习Darknet框架 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 3 基于深度学习的目标检测算法 | 第34-52页 |
| 3.1 基于侯选区域(RegionProposal)的深度学习目标检测法 | 第34-45页 |
| 3.1.1 R-CNN | 第34-37页 |
| 3.1.2 SPP-NET | 第37-38页 |
| 3.1.3 FastR-CNN | 第38-41页 |
| 3.1.4 FasterR-CNN | 第41-45页 |
| 3.2 基于回归方法的深度学习目标检测算法 | 第45-51页 |
| 3.2.1 SSD(SingleShotMultiBoxDetector) | 第45-48页 |
| 3.2.2 YOLO(YouOnlyLookOnce)系列算法 | 第48-51页 |
| 3.3 本章小结 | 第51-52页 |
| 4 YOLOv2实时目标检测模型 | 第52-60页 |
| 4.1 网络设计 | 第52-54页 |
| 4.2 损失函数设计 | 第54页 |
| 4.3 网格尺寸大小设定 | 第54-55页 |
| 4.4 内存存储临时帧 | 第55-57页 |
| 4.5 图像去雾模块 | 第57-58页 |
| 4.6 模型训练 | 第58-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5 实验过程及结果分析 | 第60-76页 |
| 5.1 实验数据集 | 第60-64页 |
| 5.2 实验过程 | 第64-69页 |
| 5.2.1 训练过程 | 第64-67页 |
| 5.2.2 测试过程 | 第67-69页 |
| 5.3 实验结果分析 | 第69-75页 |
| 5.4 本章小结 | 第75-76页 |
| 6 总结与展望 | 第76-78页 |
| 6.1 论文研究总结 | 第76-77页 |
| 6.2 研究展望 | 第77-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 附录 | 第84页 |
| A.作者在攻读硕士学位期间发表的专利 | 第84页 |
| B.作者在攻读硕士学位期间发表的软件著作书 | 第84页 |
