基于卷积神经网络的目标检测模型的研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第13-17页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 本文主要工作 | 第15-16页 |
| 1.3 本文章节安排 | 第16-17页 |
| 第二章 传统目标检测模型 | 第17-41页 |
| 2.1 人工神经网络 | 第17-24页 |
| 2.1.1 人工神经网络的发展历史 | 第17-21页 |
| 2.1.2 人工神经网络的结构模型 | 第21-23页 |
| 2.1.3 人工神经网络的主要特点 | 第23-24页 |
| 2.2 支持向量机 | 第24-34页 |
| 2.2.1 支持向量机的主要特点 | 第24-26页 |
| 2.2.2 支持向量机的损失函数 | 第26-29页 |
| 2.2.3 支持向量机的线性分类 | 第29-33页 |
| 2.2.4 支持向量机的核函数 | 第33-34页 |
| 2.3 目标特征提取 | 第34-40页 |
| 2.3.1 类哈尔特征 | 第35-36页 |
| 2.3.2 尺度不变特征转换 | 第36-38页 |
| 2.3.3 方向梯度直方图 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 卷积神经网络 | 第41-53页 |
| 3.1 背景介绍 | 第41-44页 |
| 3.2 网络结构 | 第44-48页 |
| 3.3 主要特点 | 第48-52页 |
| 3.3.1 稀疏连接 | 第48-50页 |
| 3.3.2 权值共享 | 第50-51页 |
| 3.3.3 采样 | 第51-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于CNN的隐式训练目标检测 | 第53-64页 |
| 4.1 背景介绍 | 第53页 |
| 4.2 主要特点 | 第53-56页 |
| 4.2.1 部件检测 | 第54-55页 |
| 4.2.2 隐式训练 | 第55-56页 |
| 4.2.3 两段式学习 | 第56页 |
| 4.3 三层部件模型 | 第56-61页 |
| 4.3.1 网络结构 | 第56-57页 |
| 4.3.2 激活函数 | 第57-59页 |
| 4.3.3 前向传播 | 第59-61页 |
| 4.4 四层全局模型 | 第61-63页 |
| 4.4.1 网络结构 | 第61-62页 |
| 4.4.2 预训练 | 第62页 |
| 4.4.3 前向传播 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 基于CNN的隐式训练学习算法 | 第64-75页 |
| 5.1 背景介绍 | 第64页 |
| 5.2 基本原理 | 第64-69页 |
| 5.2.1 成本函数 | 第65-66页 |
| 5.2.2 损失函数 | 第66-67页 |
| 5.2.3 参数更新 | 第67-68页 |
| 5.2.4 学习速率 | 第68-69页 |
| 5.3 算法流程 | 第69-74页 |
| 5.3.1 偏置梯度 | 第69-72页 |
| 5.3.2 权值梯度 | 第72页 |
| 5.3.3 隐式训练 | 第72-73页 |
| 5.3.4 流程示意 | 第73-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 实验结果与分析 | 第75-84页 |
| 6.1 实验环境 | 第75页 |
| 6.2 实验数据库 | 第75-79页 |
| 6.2.1 INRIA人类数据库 | 第75-77页 |
| 6.2.2 A-MNIST数字角点库 | 第77-79页 |
| 6.3 实验结果分析 | 第79-83页 |
| 6.3.1 多部件检测对比实验 | 第79-81页 |
| 6.3.2 多部件检测扩展实验 | 第81-82页 |
| 6.3.3 多子类检测对比实验 | 第82-83页 |
| 6.4 本章小结 | 第83-84页 |
| 第七章 总结和展望 | 第84-87页 |
| 7.1 主要工作与创新点 | 第84页 |
| 7.2 后续研究工作 | 第84-87页 |
| 7.2.1 结构参数和学习方法 | 第84-85页 |
| 7.2.2 算法加速 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-92页 |
| 攻读硕士学位期间已发表或录用的论文 | 第92-94页 |
