| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 卷积神经网络 | 第10-12页 |
| 1.3 目标检测算法 | 第12-13页 |
| 1.4 国内外研究现状分析 | 第13-14页 |
| 1.5 本文主要研究内容 | 第14-15页 |
| 1.6 论文章节安排 | 第15-17页 |
| 第二章 深度卷积神经网络 | 第17-35页 |
| 2.1 深度卷积神经网络结构 | 第17-25页 |
| 2.1.1 卷积层 | 第18-19页 |
| 2.1.2 池化层 | 第19页 |
| 2.1.3 非线性激活函数 | 第19-20页 |
| 2.1.4 深度卷积神经网络 | 第20-25页 |
| 2.2 过拟合问题 | 第25-26页 |
| 2.2.1 尺度扰动 | 第25-26页 |
| 2.2.2 颜色空间扰动 | 第26页 |
| 2.3 梯度消失与BatchNorm算法 | 第26-29页 |
| 2.3.1 梯度消失 | 第26-27页 |
| 2.3.2 Batch Normalization | 第27-29页 |
| 2.4 深度残差学习 | 第29-35页 |
| 2.4.1 深度残差网络 | 第29-30页 |
| 2.4.2 bottleneck结构 | 第30-31页 |
| 2.4.3 ResNet-101 | 第31-35页 |
| 第三章 基于Faster-RCNN的目标检测算法 | 第35-41页 |
| 3.1 Fast-RCNN | 第35-38页 |
| 3.1.1 RoI Pooling | 第36-37页 |
| 3.1.2 Multi-task损失函数 | 第37-38页 |
| 3.2 Region Proposal Network | 第38-39页 |
| 3.3 Faster-RCNN | 第39-40页 |
| 3.4 Faster-RCNN优点与不足 | 第40-41页 |
| 第四章 Multi-Lever RCNN | 第41-46页 |
| 4.1 Multi-Level Feature | 第42页 |
| 4.2 Feature Normalization | 第42-43页 |
| 4.3 Hard example Mining | 第43-46页 |
| 4.3.1 Online Hard Example Mining | 第43-45页 |
| 4.3.2 OHEM训练 | 第45-46页 |
| 第五章 实验结果及分析 | 第46-53页 |
| 5.1 ResNet-101预训练 | 第46-48页 |
| 5.1.1 超参数 | 第46-47页 |
| 5.1.2 结果分析 | 第47-48页 |
| 5.2 Faster-RCNN实现 | 第48-50页 |
| 5.2.1 RPN训练 | 第48-49页 |
| 5.2.2 Fast-RCNN训练 | 第49页 |
| 5.2.3 共享卷积及Faster-RCNN实现 | 第49-50页 |
| 5.2.4 实验结果 | 第50页 |
| 5.3 Multi-Level RCNN的目标检测 | 第50-53页 |
| 5.3.1 在线困难样例挖掘 | 第51页 |
| 5.3.2 实验结果 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 工作总结 | 第53页 |
| 6.2 研究展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
