| 摘要 | 第1-7页 |
| ABSTRACT | 第7-20页 |
| 第一章 绪论 | 第20-34页 |
| ·物体检测简介 | 第20页 |
| ·研究意义 | 第20-22页 |
| ·算法框架 | 第22-24页 |
| ·主要困难 | 第24-25页 |
| ·研究现状 | 第25-31页 |
| ·研究趋势 | 第31页 |
| ·主要创新点 | 第31-32页 |
| ·章节安排 | 第32-34页 |
| 第二章 相关工作 | 第34-50页 |
| ·物体检测的特征 | 第34-39页 |
| ·像素特征 | 第34-37页 |
| ·特征描述子 | 第37-38页 |
| ·深度卷积神经网络特征 | 第38-39页 |
| ·物体检测的组件 | 第39-45页 |
| ·分类器 | 第39-42页 |
| ·外边框回归 | 第42-43页 |
| ·区域生成 | 第43-44页 |
| ·非极大值抑制 | 第44-45页 |
| ·物体检测的算法框架 | 第45-50页 |
| ·决策树提升模型 | 第45页 |
| ·可形变部件模型 | 第45-47页 |
| ·深度卷积神经网络 | 第47-50页 |
| 第三章 基于SPP的多区域特征共享 | 第50-62页 |
| ·空间金字塔池化(SPP) | 第50-53页 |
| ·卷积层与特征图像 | 第50-51页 |
| ·空间金字塔池化层 | 第51-53页 |
| ·空间金字塔池化在物体检测中的应用 | 第53-56页 |
| ·算法框架 | 第53-54页 |
| ·从输入图像到特征图像的映射 | 第54-55页 |
| ·复杂度与运行时间 | 第55-56页 |
| ·实验及应用 | 第56-60页 |
| ·Pascal VOC上的实验结果 | 第56-57页 |
| ·多模型融合的提升 | 第57-58页 |
| ·ILSVRC 2014比赛 | 第58-60页 |
| ·小结与讨论 | 第60-62页 |
| 第四章 基于RPN的多尺度特征共享 | 第62-86页 |
| ·区域生成网络 | 第63-68页 |
| ·锚点 | 第64-66页 |
| ·损失函数 | 第66-67页 |
| ·区域生成网络的训练 | 第67-68页 |
| ·区域生成与分类网络共享特征 | 第68-69页 |
| ·实现细节 | 第69-71页 |
| ·实验及应用 | 第71-85页 |
| ·Pascal VOC上的实验结果 | 第71-78页 |
| ·COCO上的实验结果 | 第78-79页 |
| ·从COCO到VOC | 第79-81页 |
| ·COCO 2015比赛 | 第81-83页 |
| ·ILSVRC 2015比赛 | 第83-85页 |
| ·小结与讨论 | 第85-86页 |
| 第五章 基于LBF的子图内多区域以及多任务特征共享 | 第86-106页 |
| ·基于LBF的人脸对准 | 第86-98页 |
| ·级联回归框架 | 第86-87页 |
| ·局部二值特征 | 第87-90页 |
| ·局部性约束 | 第90-92页 |
| ·共享特征及全局回归 | 第92页 |
| ·实验验证 | 第92-98页 |
| ·联合对准与检测 | 第98-104页 |
| ·对准促进更好的分类 | 第99页 |
| ·统一的级联架构 | 第99-100页 |
| ·共享特征的对准与检测 | 第100-101页 |
| ·实验验证 | 第101-104页 |
| ·小结与讨论 | 第104-106页 |
| 第六章 总结与展望 | 第106-110页 |
| ·研究工作总结 | 第106-107页 |
| ·不足与展望 | 第107-110页 |
| 参考文献 | 第110-122页 |
| 致谢 | 第122-124页 |
| 在读期间发表的学术论文与取得的研究成果 | 第124-125页 |