| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 基于传统的目标检测算法 | 第8页 |
| 1.2.2 基于深度学习的目标检测算法 | 第8-9页 |
| 1.2.3 小尺度目标检测算法 | 第9-10页 |
| 1.3 本论文的主要研究内容 | 第10页 |
| 1.4 本论文的组织结构 | 第10-13页 |
| 2 目标检测算法的介绍及选择 | 第13-31页 |
| 2.1 基于传统的目标检测算法 | 第13-17页 |
| 2.1.1 Viola-Jones检测器 | 第13-15页 |
| 2.1.2 HOG行人检测器 | 第15-17页 |
| 2.2 基于深度学习的目标检测算法 | 第17-29页 |
| 2.2.1 深度学习相关知识 | 第18-27页 |
| 2.2.2 两阶段的目标检测算法 | 第27-28页 |
| 2.2.3 单阶段的目标检测算法 | 第28-29页 |
| 2.3 目标检测算法的选择 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 Faster R-CNN目标检测算法对于小尺度目标检测的缺陷分析 | 第31-37页 |
| 3.1 Faster R-CNN目标检测算法的结构 | 第31页 |
| 3.2 特征网络提取层分析 | 第31-32页 |
| 3.3 候选区域生成网络层分析 | 第32-33页 |
| 3.4 感兴趣区域层分析 | 第33-34页 |
| 3.5 分类层分析 | 第34页 |
| 3.6 本章小结 | 第34-37页 |
| 4 小尺度目标检测的实验环境、数据集以及评价标准 | 第37-41页 |
| 4.1 实验平台环境的选择与搭建 | 第37-38页 |
| 4.1.1 深度学习框架的选择 | 第37页 |
| 4.1.2 系统运行环境的搭建 | 第37-38页 |
| 4.2 数据集的获取 | 第38-39页 |
| 4.2.1 KITTI数据集的获取 | 第38页 |
| 4.2.2 安全帽数据集的获取 | 第38-39页 |
| 4.3 目标检测模型的评价标准 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 基于聚类的多层特征融合算法对于小尺度目标检测的改进 | 第41-47页 |
| 5.1 特征提取网络层 | 第41页 |
| 5.1.1 多层特征融合 | 第41页 |
| 5.2 候选区域生成网络层 | 第41-43页 |
| 5.2.1 K-means聚类算法 | 第42-43页 |
| 5.2.2 K-means聚类算法在锚框上的应用 | 第43页 |
| 5.3 实验与结果分析 | 第43-46页 |
| 5.3.1 基于聚类的多层特征融合算法的比较实验的定性分析 | 第43-44页 |
| 5.3.2 基于聚类的多层特征融合算法的比较实验的定量分析 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 6 基于双线性插值的Soft-NMS算法对于小尺度目标检测的改进 | 第47-55页 |
| 6.1 感兴趣区域层 | 第47-50页 |
| 6.1.1 ROI Align的相关知识 | 第47-50页 |
| 6.2 分类层 | 第50-51页 |
| 6.2.1 Soft-NMS相关知识 | 第50-51页 |
| 6.3 实验结果分析 | 第51-53页 |
| 6.3.1 基于双线性插值的Soft-NMS的比较实验的定性分析 | 第51-52页 |
| 6.3.2 基于双线性插值的Soft-NMS的比较实验的定量分析 | 第52-53页 |
| 6.4 本章小结 | 第53-55页 |
| 7 总结与展望 | 第55-57页 |
| 7.1 研究工作总结 | 第55页 |
| 7.2 未来的展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间主要研究成果 | 第63页 |
