基于深度学习的行人检测技术的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的工作内容与贡献 | 第13-16页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 主要贡献 | 第14页 |
| 1.3.3 论文组织结构 | 第14-16页 |
| 第二章 目标检测与行人检测技术概述 | 第16-28页 |
| 2.1 前言 | 第16-18页 |
| 2.2 基于传统图像特征的方法 | 第18-23页 |
| 2.2.1 HOG特征 | 第18-20页 |
| 2.2.2 DPM方法 | 第20-23页 |
| 2.3 基于深度学习的方法 | 第23-27页 |
| 2.3.1 预训练 | 第24-25页 |
| 2.3.2 候选区域生成算法 | 第25-26页 |
| 2.3.3 基于区域的深度学习目标检测算法 | 第26-27页 |
| 2.4 小结 | 第27-28页 |
| 第三章 基于深度学习的候选区域生成技术 | 第28-50页 |
| 3.1 前言 | 第28-30页 |
| 3.2 卷积神经网络 | 第30-35页 |
| 3.2.1 训练数据预处理 | 第30-31页 |
| 3.2.2 常见的层 | 第31-35页 |
| 3.2.3 激活函数 | 第35页 |
| 3.3 常见的网络结构 | 第35-39页 |
| 3.3.1 AlexNet | 第36页 |
| 3.3.2 VGGNet | 第36-37页 |
| 3.3.3 GoogLeNet | 第37-38页 |
| 3.3.4 ResNet | 第38-39页 |
| 3.4 候选区域缩放技术 | 第39-42页 |
| 3.4.1 空间金字塔池化 | 第39-41页 |
| 3.4.2 RoI Pooling | 第41-42页 |
| 3.5 候选区域生成技术 | 第42-49页 |
| 3.5.1 候选区域生成网络 | 第42-44页 |
| 3.5.2 感受野与降采样 | 第44-46页 |
| 3.5.3 多层候选区域生成 | 第46-49页 |
| 3.6 小结 | 第49-50页 |
| 第四章 检测网络的特征与训练 | 第50-60页 |
| 4.1 前言 | 第50页 |
| 4.2 多语义特征融合方法 | 第50-55页 |
| 4.2.1 特征的层级特点与融合 | 第51-54页 |
| 4.2.2 特征的数值尺度和归一化 | 第54-55页 |
| 4.3 训练样本优化 | 第55-57页 |
| 4.3.1 随机梯度下降 | 第55-56页 |
| 4.3.2 Bootsrapping | 第56页 |
| 4.3.3 样本损失值加权 | 第56-57页 |
| 4.4 小结 | 第57-60页 |
| 第五章 实验与结果分析 | 第60-70页 |
| 5.1 实验设置 | 第60-62页 |
| 5.1.1 数据集 | 第60页 |
| 5.1.2 验证方法 | 第60-61页 |
| 5.1.3 实现细节 | 第61-62页 |
| 5.2 候选区域生成相关实验 | 第62-66页 |
| 5.2.1 网络结构的影响 | 第62页 |
| 5.2.2 输入尺度的影响 | 第62-63页 |
| 5.2.3 多层候选区域生成 | 第63-66页 |
| 5.3 检测网络相关实验 | 第66-70页 |
| 5.3.1 实验数据 | 第66-67页 |
| 5.3.2 实验结果分析 | 第67-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 论文工作总结 | 第70页 |
| 6.2 未来工作展望 | 第70-72页 |
| 参考文献 | 第72-80页 |
| 致谢 | 第80-82页 |
| 攻读学位期间发表的学术论文目录 | 第82页 |
