基于深度卷积网络的目标检测系统
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文内容与结构安排 | 第13-15页 |
| 第二章 目标检测中的关键技术 | 第15-31页 |
| 2.1 传统目标检测算法框架 | 第15页 |
| 2.2 典型的图像特征 | 第15-22页 |
| 2.2.1 Haar-like特征 | 第15-17页 |
| 2.2.2 HOG特征 | 第17-19页 |
| 2.2.3 SIFT特征 | 第19-22页 |
| 2.3 分类器 | 第22-26页 |
| 2.3.1 Adaboost | 第23-24页 |
| 2.3.2 支持向量机 | 第24-26页 |
| 2.4 人工神经网络 | 第26-30页 |
| 2.4.1 多层感知机 | 第27页 |
| 2.4.2 激活函数 | 第27-28页 |
| 2.4.3 损失函数 | 第28页 |
| 2.4.4 正则化 | 第28-29页 |
| 2.4.5 BP算法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 深度卷积网络在目标检测中的应用 | 第31-41页 |
| 3.1 卷积神经网络 | 第31-32页 |
| 3.1.1 卷积神经网络的结构 | 第31页 |
| 3.1.2 卷积层 | 第31-32页 |
| 3.1.3 池化层 | 第32页 |
| 3.1.4 局部连接和权值共享 | 第32页 |
| 3.2 深度学习模型 | 第32-35页 |
| 3.2.1 深度卷积神经网络 | 第33-34页 |
| 3.2.2 卷积神经网络深度上的研究 | 第34页 |
| 3.2.3 卷积神经网络结构上的研究 | 第34页 |
| 3.2.4 深度残差学习 | 第34-35页 |
| 3.3 深度卷积网络在目标检测中的应用 | 第35-40页 |
| 3.3.1 R-CNN模型 | 第35-36页 |
| 3.3.2 SPP-Net模型 | 第36-37页 |
| 3.3.3 Fast R-CNN模型 | 第37-38页 |
| 3.3.4 Faster R-CNN模型 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 实时目标检测算法的实现与性能 | 第41-55页 |
| 4.1 算法 | 第41-45页 |
| 4.1.1 算法结构 | 第41-42页 |
| 4.1.2 算法思想 | 第42-44页 |
| 4.1.3 目标函数 | 第44-45页 |
| 4.2 算法的训练实验 | 第45-48页 |
| 4.2.1 训练方式 | 第45-46页 |
| 4.2.2 优化方法 | 第46-47页 |
| 4.2.3 训练数据集 | 第47-48页 |
| 4.3 实验结果分析 | 第48-54页 |
| 4.3.1 评价指标 | 第48-50页 |
| 4.3.2 深度卷积神经网络分类性能 | 第50-51页 |
| 4.3.3 目标检测算法性能 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 实时目标检测系统的实现 | 第55-62页 |
| 5.1 硬件平台 | 第55-56页 |
| 5.2 系统的实现架构 | 第56-59页 |
| 5.2.1 输入模块 | 第56-57页 |
| 5.2.2 图像帧预处理模块 | 第57-58页 |
| 5.2.3 目标检测算法模块 | 第58-59页 |
| 5.2.4 视频输出预处理模块 | 第59页 |
| 5.3 系统性能的实验评估 | 第59-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 全文内容及工作总结 | 第62-63页 |
| 6.2 未来工作的展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |
