| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于深度学习的方法 | 第12-13页 |
| 1.2.2 目前存在的挑战 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第二章 目标检测的相关工作基础 | 第16-30页 |
| 2.1 基于传统视觉算法的目标检测 | 第16-22页 |
| 2.1.1 HOG特征 | 第16-18页 |
| 2.1.2 Haar-like特征 | 第18-19页 |
| 2.1.3 SVM分类器 | 第19-22页 |
| 2.2 基于深度学习的目标检测 | 第22-29页 |
| 2.2.1 卷积神经网络 | 第22-23页 |
| 2.2.2 基于候选框的目标检测算法 | 第23-27页 |
| 2.2.3 基于回归的目标检测算法 | 第27-29页 |
| 2.3 数据集 | 第29页 |
| 2.3.1 PASCAL VOC | 第29页 |
| 2.3.2 自制地标线数据集 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于多特征融合的目标检测 | 第30-44页 |
| 3.1 Faster R-CNN | 第30-31页 |
| 3.2 针对Faster R-CNN改进目标检测算法 | 第31-38页 |
| 3.2.1 多特征融合 | 第32-35页 |
| 3.2.2 锚框 | 第35-36页 |
| 3.2.3 损失函数 | 第36-38页 |
| 3.3 实验结果与分析 | 第38-42页 |
| 3.3.1 PASCAL VOC数据集 | 第38页 |
| 3.3.2 实验环境和评价指标 | 第38-40页 |
| 3.3.3 实验结果对比与分析 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于端到端框架的地标线检测 | 第44-64页 |
| 4.1 YOLO和YOLOv2 | 第44-46页 |
| 4.2 针对YOLOv2改进目标检测算法 | 第46-53页 |
| 4.2.1 锚框 | 第46-49页 |
| 4.2.2 困难样本挖掘 | 第49-50页 |
| 4.2.3 损失函数 | 第50-51页 |
| 4.2.4 模型训练过程和细节 | 第51-53页 |
| 4.3 实验结果与分析 | 第53-63页 |
| 4.3.1 自制地标线数据集 | 第53-55页 |
| 4.3.2 实验环境和评价指标 | 第55-58页 |
| 4.3.3 实验结果对比与分析 | 第58-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 论文工作总结 | 第64页 |
| 5.2 后续工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文目录 | 第72页 |