| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 缩略语 | 第15-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-20页 |
| 1.2.1 目标检测的研究 | 第18-19页 |
| 1.2.2 目标识别的研究 | 第19-20页 |
| 1.3 论文组织结构 | 第20-23页 |
| 1.3.1 论文主要内容 | 第20-21页 |
| 1.3.2 论文章节安排 | 第21-23页 |
| 第二章 深度学习介绍 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 深度学习中常用的概念 | 第23-25页 |
| 2.2.1 泛化误差 | 第23页 |
| 2.2.2 欠拟合和过拟合 | 第23-24页 |
| 2.2.3 训练集、验证集和测试集 | 第24页 |
| 2.2.4 激活函数 | 第24-25页 |
| 2.3 卷积神经网络 | 第25-27页 |
| 2.3.1 卷积层 | 第25-26页 |
| 2.3.2 池化层 | 第26页 |
| 2.3.3 softmax回归模型 | 第26-27页 |
| 2.4 深度学习中常用的一些基本方法 | 第27-32页 |
| 2.4.1 数据增强 | 第27页 |
| 2.4.2 学习算法 | 第27-28页 |
| 2.4.3 正则化方法 | 第28-31页 |
| 2.4.4 批规范化处理 | 第31-32页 |
| 2.4.5 参数初始化策略 | 第32页 |
| 2.5 机器学习常用评价指标 | 第32-34页 |
| 2.5.1 混淆矩阵 | 第32-33页 |
| 2.5.2 准确率 | 第33页 |
| 2.5.3 均值平均精度 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于残差模块阵列的目标识别与检测算法 | 第35-51页 |
| 3.1 引言 | 第35页 |
| 3.2 背景知识简介 | 第35-37页 |
| 3.2.1 ResNet网络 | 第35-36页 |
| 3.2.2 DenseNet网络 | 第36-37页 |
| 3.3 基于DenseNet网络和ResNet网络的残差模块阵列设计 | 第37-39页 |
| 3.3.1 DenseNet网络和ResNet网络的优缺点分析 | 第37-38页 |
| 3.3.2 残差模块阵列 | 第38-39页 |
| 3.4 二维卷积网络 | 第39页 |
| 3.5 对残差模块阵列的进一步讨论 | 第39-41页 |
| 3.5.1 残差模块阵列与混合连接结构的关系 | 第39-41页 |
| 3.5.2 与DPDNet网络的关系 | 第41页 |
| 3.6 实验结果分析 | 第41-49页 |
| 3.6.1 数据集 | 第41-42页 |
| 3.6.2 实验配置以及数据预处理 | 第42-43页 |
| 3.6.3 各卷积网络的识别精度 | 第43-44页 |
| 3.6.4 残差模块阵列的深度与TDNet网络性能的关系 | 第44-45页 |
| 3.6.5 残差模块阵列的宽度与TDNet网络性能的关系 | 第45-46页 |
| 3.6.6 残差模块阵列的增长数k与TDNet网络性能的关系 | 第46页 |
| 3.6.7 残差模块阵列各子结构的有效性分析 | 第46-47页 |
| 3.6.8 TDNet网络在目标检测中的应用 | 第47-49页 |
| 3.6.9 结论 | 第49页 |
| 3.7 本章小结 | 第49-51页 |
| 第四章 基于分组卷积和DenseNet网络的目标识别与检测算法 | 第51-69页 |
| 4.1 引言 | 第51页 |
| 4.2 背景知识 | 第51-52页 |
| 4.2.1 ResNext网络 | 第51-52页 |
| 4.2.2 分组卷积 | 第52页 |
| 4.3 基于DenseNet网络和分组卷积方法的双路结构 | 第52-58页 |
| 4.3.1 支路结构 | 第53-55页 |
| 4.3.2 密集特征融合 | 第55-57页 |
| 4.3.3 对支路结构的进一步分析 | 第57-58页 |
| 4.4 DPDNet网络的总体结构 | 第58-59页 |
| 4.5 实验结果分析 | 第59-68页 |
| 4.5.1 数据集 | 第59页 |
| 4.5.2 训练超参数设置 | 第59页 |
| 4.5.3 网络结构超参数设置以及数据预处理 | 第59-60页 |
| 4.5.4 实验软硬件配置 | 第60页 |
| 4.5.5 可视化DPDNet-40网络的训练过程 | 第60-61页 |
| 4.5.6 增长数k的选择 | 第61-62页 |
| 4.5.7 融合方法的选择 | 第62-63页 |
| 4.5.8 卷积网络的识别精度分析 | 第63-64页 |
| 4.5.9 DPDNet网络参数量与误识别率的关系 | 第64-65页 |
| 4.5.10 DPDNet网络的计算量与误识别率的关系 | 第65页 |
| 4.5.11 对抗过拟合能力的分析 | 第65页 |
| 4.5.12 可视化权重 | 第65-66页 |
| 4.5.13 关于DPDNet网络在目标检测中的应用 | 第66-68页 |
| 4.5.14 结论 | 第68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 基于局部弹性势能特征的人脸检测算法 | 第69-81页 |
| 5.1 引言 | 第69页 |
| 5.2 经典特征描述子 | 第69-70页 |
| 5.2.1 Haar特征 | 第69-70页 |
| 5.2.2 LBP特征 | 第70页 |
| 5.2.3 HOG特征 | 第70页 |
| 5.3 EdgeBox算法 | 第70页 |
| 5.4 AdaBoost分类器 | 第70-71页 |
| 5.5 人脸特征提取 | 第71-78页 |
| 5.5.1 局部弹性势能特征 | 第72页 |
| 5.5.2 局部弹性势能特征的有关性质 | 第72-74页 |
| 5.5.3 确定弹性系数k(x,y)的方法 | 第74-76页 |
| 5.5.4 图像金字塔 | 第76-77页 |
| 5.5.5 级联分类器 | 第77-78页 |
| 5.6 实验结果分析 | 第78-80页 |
| 5.6.1 图像预处理 | 第78页 |
| 5.6.2 训练以及测试数据 | 第78页 |
| 5.6.3 可视化结果分析 | 第78-80页 |
| 5.7 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 本文工作总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 致谢 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 作者简介 | 第89页 |
