基于深度学习的快速目标检测算法研究
| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状分析 | 第10-12页 |
| 1.3 研究内容和结构安排 | 第12-14页 |
| 第二章 基于深度学习的目标检测相关基础 | 第14-25页 |
| 2.1 软件开发工具 | 第14-16页 |
| 2.1.1 caffe深度学习框架简介 | 第14页 |
| 2.1.2 主流开发框架对比试验 | 第14-16页 |
| 2.2 Atrous滤波器设计 | 第16-18页 |
| 2.3 反向传导算法 | 第18-19页 |
| 2.4 数据集 | 第19-21页 |
| 2.5 评价指标和基本流程 | 第21-24页 |
| 2.5.1 目标检测评价指标 | 第22-23页 |
| 2.5.2 目标检测的基本流程 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于卷积神经网络的目标检测 | 第25-36页 |
| 3.1 卷积神经网络 | 第25-28页 |
| 3.1.1 卷积神经网络结构 | 第25-27页 |
| 3.1.2 卷积神经网络特点 | 第27-28页 |
| 3.2 主流CNN模型 | 第28-30页 |
| 3.3 基于候选区域的目标检测 | 第30-32页 |
| 3.4 多尺度端到端的目标检测 | 第32-34页 |
| 3.5 实验结果及分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 浅层特征融合的快速目标检测 | 第36-47页 |
| 4.1 SSD检测框架的缺点 | 第36-37页 |
| 4.2 低层特征融合的检测模型 | 第37-39页 |
| 4.2.1 低层特征融合检测模型设计 | 第37-38页 |
| 4.2.2 图像预处理 | 第38-39页 |
| 4.3 两种特征融合方式 | 第39-40页 |
| 4.4 实验结果即分析 | 第40-47页 |
| 4.4.1 不同的融合方式 | 第40-41页 |
| 4.4.2 不同的融合层 | 第41-47页 |
| 第五章 总结和展望 | 第47-50页 |
| 5.1 工作总结 | 第47-48页 |
| 5.2 工作展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55页 |
