| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状及面临的问题 | 第18-22页 |
| 1.2.1 目标检测算法国内外研究现状 | 第18-20页 |
| 1.2.2 视频目标跟踪算法国内外研究现状 | 第20-21页 |
| 1.2.3 针对小型飞行平台应用所面临的问题 | 第21-22页 |
| 1.3 研究内容及创新点 | 第22页 |
| 1.3.1 研究内容 | 第22页 |
| 1.3.2 创新点 | 第22页 |
| 1.4 论文结构安排 | 第22-25页 |
| 第二章 目标检测算法的相关理论 | 第25-43页 |
| 2.1 目标检测算法基础理论 | 第25-30页 |
| 2.1.1 预处理 | 第25-26页 |
| 2.1.2 特征提取 | 第26-28页 |
| 2.1.3 特征分类 | 第28-30页 |
| 2.2 CNN理论基础 | 第30-37页 |
| 2.2.1 CNN发展简介 | 第30-31页 |
| 2.2.2 CNN基本结构及理论 | 第31-34页 |
| 2.2.3 CNN训练方法 | 第34-37页 |
| 2.3 基于DCNN的目标检测算法 | 第37-43页 |
| 2.3.1 Two-stage法 | 第38-40页 |
| 2.3.2 One-stage法 | 第40-43页 |
| 第三章 基于DCNN的轻量级小目标检测算法 | 第43-57页 |
| 3.1 CNN模型压缩优化 | 第43-45页 |
| 3.1.1 SqueezeNet | 第43-44页 |
| 3.1.2 MobileNet | 第44-45页 |
| 3.1.3 ShuffleNet | 第45页 |
| 3.2 基于DCNN的轻量级小目标检测模型 | 第45-47页 |
| 3.2.1 模型架构 | 第46页 |
| 3.2.2 Focalloss理论 | 第46-47页 |
| 3.2.3 损失函数改进 | 第47页 |
| 3.3 模型实现 | 第47-50页 |
| 3.3.1 软硬件环境介绍 | 第48页 |
| 3.3.2 训练集制作 | 第48-49页 |
| 3.3.3 模型构建及训练 | 第49-50页 |
| 3.4 仿真实验及结果分析 | 第50-55页 |
| 3.4.1 与基于InceptionV2的SSD算法比较 | 第51-52页 |
| 3.4.2 与基于MobileNetV1的SSD算法比较 | 第52-53页 |
| 3.4.3 与基于MobileNetV2的SSD算法比较 | 第53页 |
| 3.4.4 定量对比结果 | 第53-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第四章 结合显著性检测的TLD视频目标跟踪算法 | 第57-77页 |
| 4.1 传统的TLD目标跟踪算法 | 第57-63页 |
| 4.1.1 跟踪器 | 第58-60页 |
| 4.1.2 检测器 | 第60-62页 |
| 4.1.3 学习器 | 第62-63页 |
| 4.2 视觉显著性目标检测算法 | 第63-68页 |
| 4.2.1 视觉显著性目标检测发展简介 | 第63-64页 |
| 4.2.2 简单线性迭代聚类超像素分割算法详解 | 第64-65页 |
| 4.2.3 元胞自动机理论简介 | 第65页 |
| 4.2.4 基于元胞自动机的视觉显著性目标检测算法 | 第65-68页 |
| 4.3 结合显著性检测的TLD视频目标跟踪算法 | 第68-71页 |
| 4.3.1 改进后的算法流程 | 第69-71页 |
| 4.3.2 更进一步改进 | 第71页 |
| 4.4 仿真实验及结果分析 | 第71-75页 |
| 4.4.1 定性对比 | 第72-74页 |
| 4.4.2 定量对比 | 第74-75页 |
| 4.5 本章小结 | 第75-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 工作总结 | 第77页 |
| 5.2 未来研究展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |
