基于随机梯度提升决策树的行人检测算法设计与实现
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-29页 |
| 1.1 选题背景和意义 | 第14-18页 |
| 1.2 国内外的研究现状 | 第18-25页 |
| 1.3 本文的创新点和结构 | 第25-28页 |
| 1.3.1 主要创新点 | 第25-27页 |
| 1.3.2 文章结构 | 第27-28页 |
| 1.4 本章小结 | 第28-29页 |
| 第2章 行人检测算法综述 | 第29-46页 |
| 2.1 行人检测数据集介绍 | 第29-32页 |
| 2.1.1 MIT行人数据集 | 第29页 |
| 2.1.2 Inria行人数据集 | 第29页 |
| 2.1.3 ETH行人数据集 | 第29-30页 |
| 2.1.4 TUD行人数据集 | 第30页 |
| 2.1.5 Daimler行人数据集 | 第30页 |
| 2.1.6 Caltech行人数据集 | 第30-31页 |
| 2.1.7 Kitti数据集 | 第31-32页 |
| 2.2 常用的特征表示 | 第32-40页 |
| 2.2.1 哈尔特征 | 第32-35页 |
| 2.2.2 HOG特征 | 第35-37页 |
| 2.2.3 卷积神经网络特征 | 第37-40页 |
| 2.3 常用的分类算法 | 第40-44页 |
| 2.3.1 支持向量机 | 第40-41页 |
| 2.3.2 AdaBoost | 第41-43页 |
| 2.3.3 Softmax分类器 | 第43-44页 |
| 2.4 行人检测算法的改进方向 | 第44-45页 |
| 2.4.1 特征的改进 | 第44页 |
| 2.4.2 分类方法的选择 | 第44-45页 |
| 2.4.3 额外的数据信息 | 第45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 梯度提升决策树在行人检测中的应用 | 第46-67页 |
| 3.1 背景知识 | 第47-51页 |
| 3.1.1 ACF特征 | 第47-48页 |
| 3.1.2 LDCF特征 | 第48-49页 |
| 3.1.3 GBDT分类算法 | 第49-51页 |
| 3.2 算法设计 | 第51-56页 |
| 3.2.1 GBDT算法的应用 | 第51页 |
| 3.2.2 算法框架 | 第51-56页 |
| 3.3 数据集和性能评估方法 | 第56-58页 |
| 3.3.1 数据集 | 第56页 |
| 3.3.2 性能评估方法 | 第56-58页 |
| 3.4 实验结果对比 | 第58-66页 |
| 3.4.1 Inria数据集上 | 第58-60页 |
| 3.4.2 Caltech数据集上 | 第60-63页 |
| 3.4.3 Kitti数据集上 | 第63-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第4章 基于随机GBDT与RPN的行人检测算法 | 第67-80页 |
| 4.1 背景知识 | 第68-72页 |
| 4.1.1 区域建议网络 | 第68-71页 |
| 4.1.2 随机GBDT算法 | 第71-72页 |
| 4.2 算法设计 | 第72-76页 |
| 4.2.1 CNN特征的应用 | 第72-73页 |
| 4.2.2 随机GBDT算法的应用 | 第73-74页 |
| 4.2.3 算法框架 | 第74-76页 |
| 4.3 实验结果对比 | 第76-79页 |
| 4.4 本章小结 | 第79-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 全文总结 | 第80-81页 |
| 5.2 工作展望 | 第81-82页 |
| 参考文献 | 第82-89页 |
| 攻读硕士学位期间的主要研究成果 | 第89-90页 |
| 致谢 | 第90页 |
