| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及现存的挑战 | 第11-12页 |
| 1.2.1 研究现状 | 第11-12页 |
| 1.2.2 现存的挑战 | 第12页 |
| 1.3 ImageNet LSVRC竞赛 | 第12-15页 |
| 1.4 本文的研究内容及贡献 | 第15-18页 |
| 1.4.1 研究内容 | 第15页 |
| 1.4.2 主要贡献 | 第15-16页 |
| 1.4.3 论文组织结构 | 第16-18页 |
| 第二章 卷积神经网络模型训练与优化 | 第18-38页 |
| 2.1 深度学习基础理论与深度模型 | 第18-20页 |
| 2.2 数据预处理 | 第20-21页 |
| 2.3 卷积神经网络模型 | 第21-24页 |
| 2.3.1 网络层结构 | 第21-24页 |
| 2.3.2 决策层和目标函数 | 第24页 |
| 2.4 卷积神经网络训练 | 第24-29页 |
| 2.4.1 训练方法 | 第24-25页 |
| 2.4.2 网络模型结构 | 第25-27页 |
| 2.4.3 网络过拟合解决方法 | 第27-28页 |
| 2.4.4 参数训练 | 第28-29页 |
| 2.5 模型分析 | 第29-36页 |
| 2.5.1 模型可视化 | 第29-33页 |
| 2.5.2 预训练结果分析 | 第33-36页 |
| 2.6 本章小节 | 第36-38页 |
| 第三章 基于深度学习的目标检测的关键技术 | 第38-64页 |
| 3.1 基于区域卷积神经网络的目标检测 | 第38-39页 |
| 3.2 模块设计 | 第39-47页 |
| 3.2.1 候选区域提取 | 第39-45页 |
| 3.2.2 正负样本选取 | 第45-46页 |
| 3.2.3 SVM分类器训练 | 第46-47页 |
| 3.3 目标检测模型测试 | 第47-49页 |
| 3.4 目标检测模型训练 | 第49-52页 |
| 3.4.1 CaffeNet模型 | 第50页 |
| 3.4.2 VGG_ CNN_M_1024模型 | 第50-51页 |
| 3.4.3 VGGNet模型 | 第51-52页 |
| 3.5 模型训练结果分析 | 第52-64页 |
| 3.5.1 在ILSVRC2014 detection的性能结果 | 第53-55页 |
| 3.5.2 时间和资源性能分析 | 第55-57页 |
| 3.5.3 预训练策略 | 第57-58页 |
| 3.5.4 SVM和Softmax分类器性能对比 | 第58-59页 |
| 3.5.5 反卷积结果分析 | 第59-60页 |
| 3.5.6 目标检测结果样例 | 第60-62页 |
| 3.5.7 实际应用 | 第62-64页 |
| 第四章 总结与展望 | 第64-66页 |
| 4.1 全文总结 | 第64-65页 |
| 4.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70页 |