| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 缩略词表 | 第12-14页 |
| 主要符号表 | 第14-16页 |
| 第一章 绪论 | 第16-33页 |
| 1.1 研究工作的背景与意义 | 第16-18页 |
| 1.2 国内外研究现状以及存在的问题 | 第18-28页 |
| 1.2.1 迁移学习和目标识别 | 第18-21页 |
| 1.2.2 域自适应目标分类方法 | 第21-25页 |
| 1.2.3 域自适应目标检测方法 | 第25-28页 |
| 1.2.4 存在的问题 | 第28页 |
| 1.3 本文研究内容与创新点 | 第28-31页 |
| 1.3.1 研究内容 | 第29-30页 |
| 1.3.2 创新点 | 第30-31页 |
| 1.4 本文的结构安排 | 第31-33页 |
| 第二章 基于目标最近邻协同特征的域自适应图像分类方法研究 | 第33-56页 |
| 2.1 研究现状以及问题形成 | 第33-36页 |
| 2.2 预备知识 | 第36-38页 |
| 2.2.1 问题定义 | 第36页 |
| 2.2.2 基于近邻约束的协同特征 | 第36-38页 |
| 2.2.3 最近邻分类器 | 第38页 |
| 2.3 目标最近邻协同特征 | 第38-41页 |
| 2.3.1 最近邻目标样本搜索方法 | 第40-41页 |
| 2.3.2 基于目标最近邻协同特征的分类算法 | 第41页 |
| 2.4 实验 | 第41-48页 |
| 2.4.1 数据集介绍 | 第41-42页 |
| 2.4.2 实验设置 | 第42-43页 |
| 2.4.3 域自适应分类实验 | 第43-45页 |
| 2.4.4 分析CTNNR特征的鲁棒性 | 第45-46页 |
| 2.4.5 验证CTNNR中主要技术的有效性 | 第46-48页 |
| 2.5 扩展讨论 – I | 第48-52页 |
| 2.5.1 基于目标样本局部近邻信息的协同特征 | 第48-49页 |
| 2.5.2 对比实验与分析 | 第49-52页 |
| 2.6 扩展讨论 – II | 第52-54页 |
| 2.6.1 基于目标样本自适应局部近邻信息的协同特征 | 第52-53页 |
| 2.6.2 对比实验 | 第53-54页 |
| 2.7 存在问题 | 第54页 |
| 2.8 本章小结 | 第54-56页 |
| 第三章 基于分类器回归迁移方法的行人检测研究 | 第56-80页 |
| 3.1 研究现状以及问题形成 | 第56-58页 |
| 3.2 预备知识 | 第58-62页 |
| 3.2.1 自编码器神经网络 | 第58-60页 |
| 3.2.2 ESVM分类器 | 第60-61页 |
| 3.2.3 问题定义 | 第61-62页 |
| 3.3 源域数据集 | 第62-63页 |
| 3.4 分类器回归模型框架 | 第63-69页 |
| 3.4.1 回归数据准备 | 第64-65页 |
| 3.4.2 基于自编码器的回归标签数据降维 | 第65-66页 |
| 3.4.3 基于两阶段回归网络的映射学习 | 第66-69页 |
| 3.5 基于分类器回归的行人检测框架 | 第69-70页 |
| 3.6 实验 | 第70-79页 |
| 3.6.1 目标应用场景介绍 | 第71-72页 |
| 3.6.2 实验设置 | 第72-73页 |
| 3.6.3 在目标场景上的对比实验 | 第73-76页 |
| 3.6.4 分析前端通用检测器对性能的影响 | 第76-77页 |
| 3.6.5 验证两阶段回归方案有效性 | 第77-78页 |
| 3.6.6 如何确定回归标签数据降维程度 | 第78-79页 |
| 3.7 本章小结 | 第79-80页 |
| 第四章 基于自适应分类器调整迁移方法的行人检测研究 | 第80-102页 |
| 4.1 研究现状以及问题形成 | 第80-82页 |
| 4.2 预备知识 | 第82-84页 |
| 4.2.1 单层感知机的几何意义 | 第82-83页 |
| 4.2.2 问题定义 | 第83-84页 |
| 4.3 CNNDAC的算法框架 | 第84-85页 |
| 4.4 模型训练方法 | 第85-91页 |
| 4.4.1 CCNN子网络训练方法 | 第86-88页 |
| 4.4.2 MNN子网络训练方法 | 第88-90页 |
| 4.4.3 训练技巧 | 第90-91页 |
| 4.5 检测流程 | 第91-92页 |
| 4.6 实验 | 第92-101页 |
| 4.6.1 实验设置 | 第92-94页 |
| 4.6.2 在目标域应用场景上对比实验 | 第94-98页 |
| 4.6.3 验证分类器调整的自适应性 | 第98页 |
| 4.6.4 验证CNNDAC中主要技术的有效性 | 第98-101页 |
| 4.7 本章小结 | 第101-102页 |
| 第五章 基于自适应特征调控迁移方法的行人检测研究 | 第102-125页 |
| 5.1 研究现状与问题形成 | 第102-104页 |
| 5.2 预备知识 | 第104-111页 |
| 5.2.1 卷积计算 | 第104-105页 |
| 5.2.2 池化操作 | 第105-106页 |
| 5.2.3 卷积神经网络 | 第106-111页 |
| 5.3 MCNN的算法框架 | 第111-113页 |
| 5.4 模型训练方法 | 第113-116页 |
| 5.4.1 DyNN子网络训练方法 | 第113页 |
| 5.4.2 MNN子网络训练方法 | 第113-115页 |
| 5.4.3 检测流程 | 第115-116页 |
| 5.5 实验 | 第116-122页 |
| 5.5.1 实验设置 | 第116-117页 |
| 5.5.2 在目标域应用场景上的检测结果 | 第117-119页 |
| 5.5.3 验证特征图权重预测的自适应性 | 第119-121页 |
| 5.5.4 验证特征图权重预测技术的有效性 | 第121-122页 |
| 5.6 本文所提三种域自适应目标检测方法的横向对比 | 第122-124页 |
| 5.7 本章小结 | 第124-125页 |
| 第六章 全文总结与展望 | 第125-129页 |
| 6.1 全文工作与总结 | 第125-126页 |
| 6.2 主要特色与创新点 | 第126-127页 |
| 6.3 后续工作展望 | 第127-129页 |
| 致谢 | 第129-131页 |
| 参考文献 | 第131-145页 |
| 攻读博士学位期间取得的成果 | 第145-147页 |
