| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 行人检测研究的背景与意义 | 第13-14页 |
| 1.2 国内外发展现状 | 第14-18页 |
| 1.3 存在的问题与挑战 | 第18-20页 |
| 1.4 论文研究目标 | 第20页 |
| 1.5 本文的组织结构 | 第20-22页 |
| 第二章 行人检测与深度学习研究概述 | 第22-37页 |
| 2.1 行人检测方法 | 第22-27页 |
| 2.1.1 经典的HOG+SVM行人检测方法 | 第22-25页 |
| 2.1.2 基于候选区域的行人检测方法 | 第25-27页 |
| 2.2 行人数据库及性能评价标准 | 第27-30页 |
| 2.2.1 行人数据库 | 第27-28页 |
| 2.2.2 性能评价标准 | 第28-30页 |
| 2.3 深度卷积网络用于目标检测 | 第30-36页 |
| 2.3.1 卷积神经网络重要组成部分 | 第30-31页 |
| 2.3.2 常用的分类网络模型 | 第31-33页 |
| 2.3.3 R-CNN用于多目标检测 | 第33-34页 |
| 2.3.4 SPPNet用于多目标检测 | 第34-35页 |
| 2.3.5 快速R-CNN用于多目标检测 | 第35-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于Faster R-CNN的行人检测 | 第37-51页 |
| 3.1 基于Faster R-CNN的检测框架 | 第37页 |
| 3.2 Faster R-CNN的网络结构 | 第37-44页 |
| 3.2.1 用ImageNet预训练网络模型进行初始化 | 第38页 |
| 3.2.2 目标候选区域提取—Region Proposal Networks(RPNs) | 第38-43页 |
| 3.2.3 尺度归一化——Rol池化层 | 第43页 |
| 3.2.4 Faster R-CNN交替训练实现卷积共享 | 第43-44页 |
| 3.3 实验与结果分析 | 第44-50页 |
| 3.3.1 数据集 | 第44页 |
| 3.3.2 性能评价标准 | 第44-45页 |
| 3.3.3 实验细节 | 第45-46页 |
| 3.3.4 检测性能分析 | 第46-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于R-FCN的行人检测 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 基于R-FCN的检测框架 | 第51-52页 |
| 4.3 R-FCN的网络结构 | 第52-56页 |
| 4.3.1 基础架构 | 第53页 |
| 4.3.2 位置敏感得分图和位置敏感Rol池化 | 第53-55页 |
| 4.3.3 损失函数 | 第55页 |
| 4.3.4 位置敏感得分图可视化 | 第55-56页 |
| 4.4 实验与结果分析 | 第56-63页 |
| 4.4.1 数据集 | 第56页 |
| 4.4.2 性能评估标准 | 第56页 |
| 4.4.3 实验细节 | 第56-57页 |
| 4.4.4 检测性能分析 | 第57-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 基于SSD的行人检测 | 第65-76页 |
| 5.1 引言 | 第65页 |
| 5.2 基于SSD的检测框架 | 第65-66页 |
| 5.3 SSD的网络结构 | 第66-70页 |
| 5.3.1 网络模型 | 第66-68页 |
| 5.3.2 网络训练 | 第68-70页 |
| 5.4 实验与结果分析 | 第70-75页 |
| 5.4.1 数据集 | 第70页 |
| 5.4.2 性能评估标准 | 第70-71页 |
| 5.4.3 实验细节 | 第71页 |
| 5.4.4 检测性能分析 | 第71-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 参考文献 | 第78-86页 |
| 致谢 | 第86-87页 |
