基于卷积神经网络的目标检测若干问题研究
| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第13-31页 |
| 1.1 研究背景及研究意义 | 第13-15页 |
| 1.2 研究现状及存在问题 | 第15-24页 |
| 1.2.1 目标检测方法概述 | 第15-18页 |
| 1.2.2 基于分类卷积神经网络的目标检测方法 | 第18-21页 |
| 1.2.3 基于回归卷积神经网络的目标检测方法 | 第21-23页 |
| 1.2.4 问题与不足 | 第23-24页 |
| 1.3 研究内容及主要贡献 | 第24-28页 |
| 1.3.1 研究内容 | 第24-26页 |
| 1.3.2 主要贡献 | 第26-28页 |
| 1.4 章节组织结构 | 第28-31页 |
| 第二章 卷积神经网络及其在车辆检测中的应用案例 | 第31-46页 |
| 2.1 卷积神经网络 | 第31-38页 |
| 2.1.1 发展过程 | 第31-32页 |
| 2.1.2 基本结构 | 第32-35页 |
| 2.1.3 训练方法 | 第35页 |
| 2.1.4 研究进展 | 第35-37页 |
| 2.1.5 常用模型 | 第37-38页 |
| 2.2 基于卷积神经网络的车辆检测方法 | 第38-45页 |
| 2.2.1 引言 | 第38-39页 |
| 2.2.2 模型设计 | 第39-42页 |
| 2.2.3 实验分析 | 第42-45页 |
| 2.3 本章小结 | 第45-46页 |
| 第三章 面向监控场景的车辆检测器迁移方法 | 第46-64页 |
| 3.1 引言 | 第46-48页 |
| 3.2 方法概述 | 第48-49页 |
| 3.3 迁移车辆检测器 | 第49-53页 |
| 3.3.1 迁移特征 | 第49-51页 |
| 3.3.2 优化结构 | 第51-52页 |
| 3.3.3 网络调整 | 第52-53页 |
| 3.4 实验分析 | 第53-62页 |
| 3.4.1 UIUC车辆数据集 | 第53-56页 |
| 3.4.2 MIT交通数据集 | 第56-59页 |
| 3.4.3 UESTC道路数据集 | 第59-60页 |
| 3.4.4 讨论分析 | 第60-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 面向监控场景的目标检测器构建方法 | 第64-88页 |
| 4.1 引言 | 第64-66页 |
| 4.2 方法概述 | 第66-67页 |
| 4.3 迁移卷积神经网络 | 第67-70页 |
| 4.3.1 预训练后的卷积神经网络 | 第67-68页 |
| 4.3.2 选择可用卷积核 | 第68-70页 |
| 4.4 学习上下文信息 | 第70-75页 |
| 4.4.1 上下文卷积神经网络 | 第70-73页 |
| 4.4.2 参数训练过程 | 第73-75页 |
| 4.5 估计边界框 | 第75页 |
| 4.6 实验分析 | 第75-86页 |
| 4.6.1 实验数据 | 第75-77页 |
| 4.6.2 实验设置 | 第77-78页 |
| 4.6.3 行人检测 | 第78-82页 |
| 4.6.4 参数分析 | 第82-85页 |
| 4.6.5 车辆检测 | 第85-86页 |
| 4.7 本章小结 | 第86-88页 |
| 第五章 基于记忆预测的目标检测方法 | 第88-107页 |
| 5.1 引言 | 第88-90页 |
| 5.2 方法概述 | 第90-91页 |
| 5.3 基于记忆预测的分类模型 | 第91-93页 |
| 5.3.1 序列生成 | 第91页 |
| 5.3.2 特征提取 | 第91-92页 |
| 5.3.3 记忆存储 | 第92-93页 |
| 5.3.4 训练策略 | 第93页 |
| 5.4 基于记忆预测的回归模型 | 第93-96页 |
| 5.4.1 目标检测流程 | 第94页 |
| 5.4.2 回复式卷积神经网络 | 第94-96页 |
| 5.5 实验分析 | 第96-105页 |
| 5.5.1 实现细节 | 第96-97页 |
| 5.5.2 行人检测 | 第97-101页 |
| 5.5.3 分析讨论 | 第101-103页 |
| 5.5.4 车辆检测 | 第103-105页 |
| 5.6 本章小结 | 第105-107页 |
| 第六章 基于序列学习的行人检测方法 | 第107-123页 |
| 6.1 引言 | 第107-109页 |
| 6.2 方法概述 | 第109-111页 |
| 6.3 基于记忆预测的序列学习模型 | 第111-115页 |
| 6.3.1 序列生成 | 第111页 |
| 6.3.2 特征提取 | 第111页 |
| 6.3.3 次序交换 | 第111-112页 |
| 6.3.4 记忆存储 | 第112-113页 |
| 6.3.5 联合学习 | 第113-115页 |
| 6.4 基于序列学习的行人检测模型 | 第115-116页 |
| 6.5 实验分析 | 第116-121页 |
| 6.5.1 实现细节 | 第116页 |
| 6.5.2 INRIA行人数据集 | 第116-118页 |
| 6.5.3 TUD行人数据集 | 第118-119页 |
| 6.5.4 分析讨论 | 第119-121页 |
| 6.6 本章小结 | 第121-123页 |
| 第七章 总结与展望 | 第123-125页 |
| 7.1 全文总结 | 第123-124页 |
| 7.2 工作展望 | 第124-125页 |
| 致谢 | 第125-126页 |
| 参考文献 | 第126-141页 |
| 攻读博士学位期间取得的成果 | 第141-143页 |
