| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-22页 |
| 1.2.1 传统目标检测算法 | 第14-18页 |
| 1.2.2 基于深度学习的目标检测算法 | 第18-22页 |
| 1.3 论文主要内容 | 第22-25页 |
| 第2章 目标检测相关基础理论及研究 | 第25-37页 |
| 2.1 候选区域的生成 | 第25-27页 |
| 2.2 卷积网络 | 第27-31页 |
| 2.2.1 神经元与激活函数 | 第27-29页 |
| 2.2.2 卷积层 | 第29-30页 |
| 2.2.3 池化层 | 第30页 |
| 2.2.4 全连接层与softmax | 第30-31页 |
| 2.3 批标准化(Batch Normalization)与dropout | 第31-32页 |
| 2.4 非极大值抑制 | 第32-33页 |
| 2.5 代价函数 | 第33-34页 |
| 2.6 误差反向传播与优化器 | 第34-36页 |
| 2.7 评价指标 | 第36-37页 |
| 第3章 基于多尺度分支结构特征融合的目标检测网络 | 第37-49页 |
| 3.1 利用带孔卷积实现多尺度分支结构特征的融合 | 第37-41页 |
| 3.1.1 带孔卷积的影响 | 第37-39页 |
| 3.1.2 不同感受野下的特征融合 | 第39-41页 |
| 3.2 矩形卷积核的引入 | 第41-43页 |
| 3.3 网络拓扑结构的改善 | 第43-45页 |
| 3.4 实验结果 | 第45-46页 |
| 3.5 总结与思考 | 第46-49页 |
| 第4章 针对特征融合检测算法训练样本不均衡问题的改进 | 第49-59页 |
| 4.1 单步检测算法剖析 | 第49-50页 |
| 4.2 改进的单步检测算法 | 第50-57页 |
| 4.2.1 改进的default box | 第50-52页 |
| 4.2.2 代价函数的改进 | 第52-54页 |
| 4.2.3 非极大值抑制的改进 | 第54-57页 |
| 4.3 实验结果与讨论 | 第57-59页 |
| 第5章 基于多尺度分支结构特征融合的目标检测实现 | 第59-69页 |
| 5.1 网络的初始化与迁移学习 | 第59-63页 |
| 5.2 数据增强 | 第63-66页 |
| 5.2.1 基础的数据增广 | 第63-64页 |
| 5.2.2 图像混合(mix up) | 第64-66页 |
| 5.3 学习率的设置和多GPU下的调整 | 第66-67页 |
| 5.4 软件与硬件环境 | 第67-68页 |
| 5.5 结果与讨论 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来的研究方向 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第79页 |