| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 传统目标检测算法 | 第14-15页 |
| 1.2.2 基于候选区域的目标检测算法 | 第15-17页 |
| 1.2.3 基于回归方法的目标检测算法 | 第17-18页 |
| 1.3 研究目标和主要贡献 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第二章 深度学习理论基础 | 第20-36页 |
| 2.1 深度学习概念 | 第20-21页 |
| 2.2 前馈运算 | 第21页 |
| 2.3 反馈运算 | 第21-23页 |
| 2.4 层 | 第23-26页 |
| 2.4.1 输入层 | 第23-24页 |
| 2.4.2 卷积层 | 第24-25页 |
| 2.4.3 池化层 | 第25页 |
| 2.4.4 全连接层与输出 | 第25-26页 |
| 2.5 激活函数 | 第26-30页 |
| 2.5.1 Sigmoid函数 | 第26-27页 |
| 2.5.2 Tanh函数 | 第27-28页 |
| 2.5.3 ReLU函数 | 第28页 |
| 2.5.4 LeakyReLU和PReLU函数 | 第28-29页 |
| 2.5.5 ELU函数 | 第29-30页 |
| 2.5.6 SeLU函数 | 第30页 |
| 2.6 目标函数 | 第30-33页 |
| 2.6.1 分类任务 | 第30-32页 |
| 2.6.2 回归任务 | 第32-33页 |
| 2.7 正则化 | 第33-34页 |
| 2.7.1 没有免费午餐定理 | 第33页 |
| 2.7.2 L1正则化 | 第33-34页 |
| 2.7.3 L2正则化 | 第34页 |
| 2.7.4 最大范数约束 | 第34页 |
| 2.7.5 Dropout | 第34页 |
| 2.8 总结 | 第34-36页 |
| 第三章 YOLO算法的批再规范化处理 | 第36-53页 |
| 3.1 引言 | 第36-37页 |
| 3.2 YOLO检测算法框架 | 第37-41页 |
| 3.2.1 网络结构设计 | 第37-38页 |
| 3.2.2 预训练模型 | 第38-39页 |
| 3.2.3 检测过程 | 第39-41页 |
| 3.3 批再规范化处理 | 第41-46页 |
| 3.3.1 批规范化处理 | 第41-43页 |
| 3.3.2 批再规范化处理 | 第43-46页 |
| 3.4 YOLO批再规范化处理 | 第46-47页 |
| 3.5 实验验证 | 第47-52页 |
| 3.5.1 实验准备 | 第47页 |
| 3.5.2 评价指标 | 第47-48页 |
| 3.5.3 实现细节 | 第48-49页 |
| 3.5.4 实验结果及分析 | 第49-52页 |
| 3.6 总结 | 第52-53页 |
| 第四章 加强小目标检测的改进SSD算法 | 第53-65页 |
| 4.1 引言 | 第53-54页 |
| 4.2 Atrous滤波器设计 | 第54-58页 |
| 4.2.1 Atrous卷积运算 | 第54-56页 |
| 4.2.2 SSD网络结构的Atrous滤波器设计 | 第56-58页 |
| 4.3 SeLU激活函数 | 第58页 |
| 4.4 图像预处理 | 第58-59页 |
| 4.4.1 SSD数据增广规则 | 第58页 |
| 4.4.2 增广规则修正 | 第58-59页 |
| 4.5 实验验证 | 第59-64页 |
| 4.5.1 实验准备和评价标准 | 第59页 |
| 4.5.2 实现细节 | 第59-60页 |
| 4.5.3 实验结果与分析 | 第60-64页 |
| 4.6 总结 | 第64-65页 |
| 总结和展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间主要成果 | 第72-73页 |
| 致谢 | 第73-74页 |