| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 目标检测 | 第11-14页 |
| 1.2.2 目标属性识别 | 第14-15页 |
| 1.3 本文主要工作 | 第15-17页 |
| 第二章 传统的小目标检测和经典的属性识别方法 | 第17-25页 |
| 2.1 传统的目标检测算法 | 第17-21页 |
| 2.1.1 Viola-Jones检测器 | 第17-18页 |
| 2.1.2 HOG行人检测器 | 第18-19页 |
| 2.1.3 可变形部件模型 | 第19-21页 |
| 2.2 经典的目标属性识别算法 | 第21-24页 |
| 2.2.1 ACN网络 | 第21-23页 |
| 2.2.2 DeepSAR和DeepMAR | 第23-24页 |
| 2.3 视频小目标检测概述 | 第24-25页 |
| 第三章 基于深度卷积神经网络的视频小目标检测算法 | 第25-39页 |
| 3.1 深度卷积神经网络概述 | 第25-31页 |
| 3.1.1 卷积 | 第26-28页 |
| 3.1.2 池化层(Pooling) | 第28-30页 |
| 3.1.3 上采样 | 第30页 |
| 3.1.4 空洞卷积(Dilated Convolution) | 第30-31页 |
| 3.2 深度卷积网络的训练与学习 | 第31-33页 |
| 3.3 Caffe深度学习框架 | 第33-34页 |
| 3.4 本文提出的基于YOLODS-net的视频小目标检测算法框架 | 第34-38页 |
| 3.4.1 总体流程图 | 第34-36页 |
| 3.4.2 YOLODS-net网络结构设计 | 第36-37页 |
| 3.4.3 网络训练与算法实现 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于深度卷积神经网络的目标属性识别算法 | 第39-43页 |
| 4.1 引言 | 第39页 |
| 4.2 本文提出的基于PMA-net的目标属性识别算法 | 第39-42页 |
| 4.2.1 PMA网络结构设计 | 第40-41页 |
| 4.2.2 网络训练与算法实现 | 第41-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 实验结果分析及系统实现 | 第43-53页 |
| 5.1 数据库和实验环境 | 第43-44页 |
| 5.2 评价指标 | 第44-45页 |
| 5.3 实验结果 | 第45-48页 |
| 5.3.1 视频小目标检测的实验结果 | 第46-47页 |
| 5.3.2 目标属性识别的实验结果 | 第47-48页 |
| 5.4 与现有方法的对比实验 | 第48-51页 |
| 5.5 面向视频监控的视频目标检测和识别系统 | 第51-52页 |
| 5.5.1 系统搭建 | 第51-52页 |
| 5.5.2 性能分析 | 第52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
