| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 论文的研究背景与意义 | 第10-11页 |
| 1.2 困难与挑战 | 第11-12页 |
| 1.3 论文的研究的主要内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 相关工作介绍 | 第14-25页 |
| 2.1 论文相关工作概述 | 第14页 |
| 2.2 深度学习发展概述 | 第14-15页 |
| 2.3 多目标检测发展概述 | 第15-18页 |
| 2.4 轻量级网络发展概述 | 第18-19页 |
| 2.5 深度学习技术相关的时间与空间复杂度 | 第19-24页 |
| 2.5.1 标准卷积过程 | 第19-20页 |
| 2.5.2 分离卷积过程 | 第20-21页 |
| 2.5.3 激活函数 | 第21-22页 |
| 2.5.4 池化过程 | 第22页 |
| 2.5.5 全连接过程 | 第22-23页 |
| 2.5.6 Dropout与批量标准化过程 | 第23-24页 |
| 2.6 本章小节 | 第24-25页 |
| 第三章 基于深度学习的轻量级实时多目标检测技术 | 第25-42页 |
| 3.1 轻量级多目标检测网络研究思路 | 第25-26页 |
| 3.1.1 轻量级多目标检测网络评价标准 | 第25-26页 |
| 3.1.2 深度学习相关技术性能分析比较 | 第26页 |
| 3.2 基于压缩网络与卷积分离的特征提取网络 | 第26-31页 |
| 3.2.1 多尺度压缩神经网络特征提取技术 | 第27-29页 |
| 3.2.2 卷积分离技术 | 第29-31页 |
| 3.3 基于全卷积的选框定位与多目标分类网络 | 第31-35页 |
| 3.3.1 基于全卷积区域选框网络 | 第31-33页 |
| 3.3.2 均值池化多目标分类技术 | 第33-35页 |
| 3.4 轻量级多目标检测网络实验 | 第35-41页 |
| 3.4.1 实验环境 | 第35页 |
| 3.4.2 深度学习框架选择 | 第35-36页 |
| 3.4.3 实验参数对模型的影响 | 第36-37页 |
| 3.4.4 网络训练细节 | 第37-39页 |
| 3.4.5 实验结果分析 | 第39-41页 |
| 3.5 本章小节 | 第41-42页 |
| 第四章 多目标检测原型系统 | 第42-52页 |
| 4.1 多目标检测系统设计方案 | 第42-43页 |
| 4.2 系统功能的模块设计与实现 | 第43-46页 |
| 4.3 系统的框架与使用说明 | 第46-48页 |
| 4.3.1 系统开放接口介绍 | 第46-47页 |
| 4.3.2 基于Docker的多目标检测系统使用说明 | 第47-48页 |
| 4.4 轻量级实时多目标检测模型在系统部署实例 | 第48-51页 |
| 4.4.1 软件依赖项目的安装 | 第48页 |
| 4.4.2 多目标检测系统编译 | 第48-49页 |
| 4.4.3 自然场景下多目标检测系统效果 | 第49-51页 |
| 4.5 本章小节 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 论文的工作总结 | 第52页 |
| 5.2 未来展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |