| 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12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 车载红外系统现状 | 第16-17页 |
| 1.2.2 车辆检测方法现状 | 第17-18页 |
| 1.3 本文安排 | 第18-19页 |
| 第二章 神经网络与机器学习 | 第19-41页 |
| 2.1 人工神经网络 | 第19-24页 |
| 2.1.1 人工神经元 | 第19-20页 |
| 2.1.2 激活函数 | 第20-23页 |
| 2.1.3 人工神经网络的结构 | 第23-24页 |
| 2.2 卷积神经网络 | 第24-31页 |
| 2.2.1 局部连接和权值共享 | 第24-27页 |
| 2.2.2 池化(Pooling) | 第27-28页 |
| 2.2.3 多卷积层的应用Le-Net模型 | 第28-31页 |
| 2.3 机器学习 | 第31-41页 |
| 2.3.1 有监督与无监督学习 | 第31-32页 |
| 2.3.2 回归与分类 | 第32-34页 |
| 2.3.3 基于梯度的优化方法 | 第34-37页 |
| 2.3.4 反向传播算法 | 第37-41页 |
| 第三章 基于R-CNN模型的红外图像车辆检测 | 第41-55页 |
| 3.1 训练获取及预处理 | 第41-42页 |
| 3.2 基于建议区域的R-CNN模型 | 第42-51页 |
| 3.2.1 模型基本原理与框架 | 第42-43页 |
| 3.2.2 基于选择性搜索的区域提取与样本选择 | 第43-46页 |
| 3.2.3 Alex Net网络结构 | 第46-48页 |
| 3.2.4 支持向量机( Support Vector Machine，SVM)分类器 | 第48-50页 |
| 3.2.5 非极大值抑制 | 第50-51页 |
| 3.3 模型训练及实验结果分析 | 第51-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 基于SSD模型的红外图像车辆检测 | 第55-69页 |
| 4.1 基本原理及模型框架 | 第55-59页 |
| 4.2 模型构建及细节 | 第59-63页 |
| 4.2.1 基础卷积神经网络的选取 | 第59-60页 |
| 4.2.2 以改进的ZF-Net为基础的SSD模型 | 第60-63页 |
| 4.3 模型训练及实验结果分析 | 第63-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 论文的主要工作 | 第69页 |
| 5.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |