| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于传统机器学习的目标检测算法 | 第10-11页 |
| 1.2.2 基于深度学习的目标检测算法 | 第11-13页 |
| 1.2.3 卷积神经网络研究现状 | 第13-14页 |
| 1.3 主要内容及结构安排 | 第14-15页 |
| 2 深度学习目标检测的相关理论 | 第15-29页 |
| 2.1 卷积神经网络的基础理论 | 第15-22页 |
| 2.1.1 深度学习的概念 | 第15-16页 |
| 2.1.2 卷积神经网络概述 | 第16-18页 |
| 2.1.3 卷积神经网络的基本部件 | 第18-22页 |
| 2.2 基于深度学习的目标检测算法 | 第22-26页 |
| 2.2.1 引言 | 第22-23页 |
| 2.2.2 基于候选区域的检测算法 | 第23-25页 |
| 2.2.3 基于端到端的检测算法 | 第25-26页 |
| 2.3 本章小结 | 第26-29页 |
| 3 基于困难样本挖掘的SSD损失函数改进方法 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 SSD目标检测算法基本原理 | 第29-32页 |
| 3.3 基于SSD算法的目标检测框架研究 | 第32-36页 |
| 3.3.1 主干网络的选取和多尺度检测设计 | 第32-33页 |
| 3.3.2 先验框(ProirBox)机制的设计 | 第33-35页 |
| 3.3.3 多任务损失函数设计 | 第35-36页 |
| 3.4 基于困难样本挖掘的SSD改进损失函数研究 | 第36-40页 |
| 3.4.1 SSD算法的类别失衡问题分析 | 第36-37页 |
| 3.4.2 交叉熵损失函数的改进设计 | 第37-39页 |
| 3.4.3 前向传播和反向传播的推导证明 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 SSD网络结构改进和多层特征融合方法 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 基于深度残差的SSD网络结构改进方法 | 第41-46页 |
| 4.2.1 SSD网络整体结构分析 | 第41-43页 |
| 4.2.2 深度残差结构分析 | 第43-44页 |
| 4.2.3 基于深度残差的SSD改进结构设计 | 第44-46页 |
| 4.3 基于特征金字塔的SSD网络多层特征融合方法 | 第46-54页 |
| 4.3.1 SSD网络语义信息分析 | 第46-49页 |
| 4.3.2 图像金字塔和特征金字塔 | 第49-50页 |
| 4.3.3 反卷积结构概述 | 第50-51页 |
| 4.3.4 基于特征金字塔的SSD多层特征融合 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 实验结果与分析 | 第55-69页 |
| 5.1 实验数据集和实验条件 | 第55-57页 |
| 5.1.1 数据集简介和评估指标 | 第55-56页 |
| 5.1.2 实验环境 | 第56-57页 |
| 5.1.3 训练配置 | 第57页 |
| 5.2 对比实验和分析 | 第57-67页 |
| 5.2.1 实验1：基于困难样本挖掘的改进损失函数 | 第57-59页 |
| 5.2.2 实验2：基于深度残差的SSD改进结构 | 第59-60页 |
| 5.2.3 实验3：基于特征金字塔的SSD多层特征融合方法 | 第60-63页 |
| 5.2.4 实验4：本文方法和其他目标检测方法的对比 | 第63-67页 |
| 5.3 本章小结 | 第67-69页 |
| 6 总结与展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 附录 | 第79页 |
| A 作者在攻读学位期间发表的论文 | 第79页 |
| B 作者在攻读学位期间发表的专利 | 第79页 |
| C 作者在攻读学位期间参与的项目 | 第79页 |
