| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 目标检测发展历史 | 第12-13页 |
| 1.3 目标检测的现状 | 第13-14页 |
| 1.4 主要工作和章节安排 | 第14-17页 |
| 第2章 深度学习算法 | 第17-24页 |
| 2.1 机器学习介绍 | 第17页 |
| 2.2 人脑机理和人工神经网络 | 第17-18页 |
| 2.3 感知器 | 第18-19页 |
| 2.4 梯度下降算法 | 第19-20页 |
| 2.5 多层神经网络 | 第20-22页 |
| 2.5.1 多层神经网络的结构 | 第21-22页 |
| 2.6 多层神经网络局限性和训练难度 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第3章 卷积神经网络 | 第24-33页 |
| 3.1 卷积神经网络的基本思想 | 第24-25页 |
| 3.2 局部感受野 | 第25-26页 |
| 3.3 权值共享和偏置共享 | 第26-27页 |
| 3.4 卷积神经网络基本结构 | 第27-28页 |
| 3.5 卷积层 | 第28-30页 |
| 3.6 降采样层 | 第30-31页 |
| 3.7 全连接层和输出层 | 第31页 |
| 3.8 SoftMax分类器 | 第31-32页 |
| 3.9 本章小结 | 第32-33页 |
| 第4章 基于感兴趣区域的目标检测理论 | 第33-56页 |
| 4.1 感兴趣区域提取网络 | 第33-34页 |
| 4.2 物体识别的卷积神经网络 | 第34-37页 |
| 4.3 感兴趣区域坐标预测 | 第37-38页 |
| 4.4 默认位置设置 | 第38-40页 |
| 4.4.1 感兴趣区域坐标预测 | 第38-39页 |
| 4.4.2 感兴趣区域真实值的选取 | 第39-40页 |
| 4.5 感兴趣区域坐标误差计算 | 第40-42页 |
| 4.5.1 坐标值误差函数 | 第41-42页 |
| 4.6 对应区域前景背景判断 | 第42-43页 |
| 4.7 整体的误差函数 | 第43页 |
| 4.8 感兴趣区域生成 | 第43-46页 |
| 4.8.1 非极大值抑制 | 第43-46页 |
| 4.9 利用识别网络识别感兴趣区域内的物体类别 | 第46-52页 |
| 4.9.1 整体的识别网络框架 | 第46-49页 |
| 4.9.2 感兴趣区域降采样 | 第49-50页 |
| 4.9.3 全连接层类别信息、坐标信息输出 | 第50-52页 |
| 4.10 测试网络 | 第52-53页 |
| 4.11 优化的识别网络 | 第53-54页 |
| 4.12 本章小结 | 第54-56页 |
| 第5章 系统设计和实验结果 | 第56-75页 |
| 5.1 检测任务样本 | 第56-57页 |
| 5.2 软件、硬件环境搭建 | 第57-59页 |
| 5.2.1 软件框架和具体内容 | 第58-59页 |
| 5.3 最优卷积神经网络验证实验 | 第59-60页 |
| 5.4 增加宽度的识别网络实验分析 | 第60页 |
| 5.5 训练模式优化实验 | 第60-61页 |
| 5.6 卷积神经网络和传统方法实验对比 | 第61-66页 |
| 5.6.1 形态学处理方法 | 第61-66页 |
| 5.7 采用卷积神经网络的目标检测方法的实验结果和性能分析 | 第66-73页 |
| 5.7.1 普通指示灯 | 第69-70页 |
| 5.7.2 小灯 | 第70-72页 |
| 5.7.3 数字检测 | 第72-73页 |
| 5.8 本章总结 | 第73-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 作者简历及在学期间所取得的科研成果 | 第83页 |