| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 背景与意义 | 第9页 |
| 1.2 研究现状与分析 | 第9-12页 |
| 1.3 论文的主要研究工作 | 第12-13页 |
| 1.4 论文组织与架构 | 第13-14页 |
| 第二章 传统的目标检测算法 | 第14-25页 |
| 2.1 基于模板匹配的目标检测算法 | 第14-21页 |
| 2.1.1 特征描述子 | 第14-16页 |
| 2.1.2 支持向量机 | 第16-19页 |
| 2.1.3 DPM算法 | 第19-21页 |
| 2.2 优化措施 | 第21-24页 |
| 2.2.1 非极大值抑制 | 第21-22页 |
| 2.2.2 感兴趣区域提取 | 第22-23页 |
| 2.2.3 图像金字塔 | 第23-24页 |
| 2.3 分析 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于深度卷积神经网络的目标检测算法 | 第25-39页 |
| 3.1 卷积神经网络 | 第25-29页 |
| 3.1.1 网络组成 | 第25-26页 |
| 3.1.2 训练算法 | 第26-28页 |
| 3.1.3 迁移学习 | 第28-29页 |
| 3.2 基于深度卷积神经网络的目标检测算法 | 第29-38页 |
| 3.2.1 边界框回归 | 第30-31页 |
| 3.2.2 基于区域的两阶段目标检测算法 | 第31-37页 |
| 3.2.3 基于深度卷积神经网络的单阶段目标检测算法 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于深度卷积神经网络的汽车驾驶场景目标检测算法 | 第39-50页 |
| 4.1 网络结构设计 | 第40-45页 |
| 4.1.1 分类性能更优的网络 | 第40-42页 |
| 4.1.2 融合多层特征 | 第42-44页 |
| 4.1.3 感兴趣候选区域空间金字塔池化 | 第44-45页 |
| 4.2 优化锚点设置 | 第45-47页 |
| 4.3 在线难例挖掘优化训练 | 第47-48页 |
| 4.4 输出后处理 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验结果与分析 | 第50-66页 |
| 5.1 实验准备 | 第50-52页 |
| 5.1.1 数据准备 | 第50-51页 |
| 5.1.2 评价标准 | 第51页 |
| 5.1.3 实验环境 | 第51-52页 |
| 5.1.4 网络初始化 | 第52页 |
| 5.2 实验 | 第52-60页 |
| 5.2.1 在线难例挖掘实验以及输出后处理的影响 | 第52-54页 |
| 5.2.2 融合特征实验 | 第54-56页 |
| 5.2.3 锚优化实验 | 第56-58页 |
| 5.2.4 感兴趣候选区域空间金字塔池化实验 | 第58-60页 |
| 5.3 实验分析 | 第60-65页 |
| 5.3.1 本文所提出算法性能分析 | 第60-61页 |
| 5.3.2 各类别精度分析 | 第61页 |
| 5.3.3 检测结果分析 | 第61-65页 |
| 5.4 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 本文研究工作总结 | 第66页 |
| 不足与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附表 | 第75页 |