| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 传统目标检测研究现状 | 第11页 |
| 1.2.2 基于深度学习目标检测研究现状 | 第11-12页 |
| 1.3 主要问题 | 第12-13页 |
| 1.4 本文主要工作 | 第13-14页 |
| 1.5 本文结构 | 第14-15页 |
| 2 目标检测方法综述 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 传统目标检测方法 | 第15-19页 |
| 2.2.1 目标检测常用特征 | 第15-17页 |
| 2.2.2 目标检测常用分类器 | 第17-19页 |
| 2.3 基于深度学习的目标检测方法 | 第19-24页 |
| 2.3.1 基于候选区域的方法 | 第20页 |
| 2.3.2 基于候选区域的改进方法 | 第20-22页 |
| 2.3.3 基于回归预测的方法 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于植入模块和残差结构的改进目标检测方法 | 第25-47页 |
| 3.1 引言 | 第25页 |
| 3.2 基于植入模块和残差结构的深度卷积网络分析 | 第25-28页 |
| 3.2.1 基于植入模块的深度神经网络 | 第25-26页 |
| 3.2.2 基于残差结构的深度神经网络 | 第26-28页 |
| 3.3 基于植入模块和残差结构的深度学习目标检测方法 | 第28-36页 |
| 3.3.1 目标检测器与植入模块结构 | 第28-31页 |
| 3.3.2 植入模块正则化 | 第31-33页 |
| 3.3.3 检测器与残差结构 | 第33-34页 |
| 3.3.4 基于植入模块和残差结构的目标检测框架 | 第34-36页 |
| 3.3.5 目标框筛选算法 | 第36页 |
| 3.4 实验评估 | 第36-46页 |
| 3.4.1 评测标准 | 第37页 |
| 3.4.2 实验数据集 | 第37-40页 |
| 3.4.3 实验设置 | 第40-41页 |
| 3.4.4 实验结果与分析 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 基于神经网络多层特征融合和目标聚类的检测方法 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 神经网络多层特征融合结构 | 第47-48页 |
| 4.3 基于深度神经网络特征层融合的目标检测改进方法 | 第48-51页 |
| 4.3.1 网络特征融合存在的问题 | 第48-49页 |
| 4.3.2 多层特征融合的目标检测模型 | 第49-51页 |
| 4.4 基于先验目标尺度的目标检测改进方法 | 第51-53页 |
| 4.4.1 I-SSD检测模型的不足 | 第51-52页 |
| 4.4.2 基于聚类的目标先验尺度生成方法 | 第52-53页 |
| 4.5 实验评估 | 第53-60页 |
| 4.5.1 实验数据集 | 第53-55页 |
| 4.5.2 网络训练 | 第55页 |
| 4.5.3 实验结果与分析 | 第55-60页 |
| 4.6 本章小结 | 第60-61页 |
| 5 目标检测系统的设计与实现 | 第61-71页 |
| 5.1 引言 | 第61页 |
| 5.2 系统需求分析 | 第61-62页 |
| 5.3 系统软件设计 | 第62-64页 |
| 5.4 系统实现及主要功能 | 第64-67页 |
| 5.4.1 系统搭建与实现 | 第64-65页 |
| 5.4.2 系统功能展示 | 第65-67页 |
| 5.5 系统运行结果展示与系统测试 | 第67-70页 |
| 5.5.1 在线目标检测运行与测试 | 第67-69页 |
| 5.5.2 离线目标检测运行与测试 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 6 结论与展望 | 第71-73页 |
| 6.1 结论 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 附录 | 第79页 |