基于深度学习的人群密度估计算法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 课题研究背景与意义 | 第7-8页 |
| 1.1.1 人群密度估计的研究背景 | 第7-8页 |
| 1.1.2 人群密度估计的研究意义 | 第8页 |
| 1.2 国内外研究现状与发展趋势 | 第8-12页 |
| 1.2.1 人群密度估计研究现状 | 第9-10页 |
| 1.2.2 深度学习的发展现状 | 第10-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 章节安排 | 第13-14页 |
| 2 深度学习相关理论 | 第14-24页 |
| 2.1 BP神经网络 | 第14-18页 |
| 2.1.1 BP神经网络的结构 | 第14-16页 |
| 2.1.2 BP算法 | 第16-18页 |
| 2.1.3 BP神经网络在应用中的不足 | 第18页 |
| 2.2 卷积神经网络的结构 | 第18-21页 |
| 2.2.1 卷积层 | 第18-20页 |
| 2.2.2 池化层 | 第20-21页 |
| 2.2.3 全联接层与Softmax层 | 第21页 |
| 2.3 影响CNN性能的因素 | 第21-23页 |
| 2.3.1 过拟合现象 | 第21-22页 |
| 2.3.2 激活函数 | 第22页 |
| 2.3.3 网络结构的影响 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于卷积神经网络的人群密度估计 | 第24-36页 |
| 3.1 网络结构的性能研究 | 第24-28页 |
| 3.1.1 网络结构与准确率 | 第24-26页 |
| 3.1.2 实时性考虑 | 第26-28页 |
| 3.2 网络参数学习 | 第28-29页 |
| 3.3 可视化 | 第29-33页 |
| 3.3.1 特征图可视化 | 第30-31页 |
| 3.3.2 反卷积可视化 | 第31-33页 |
| 3.4 人群密度等级估计的实现 | 第33-35页 |
| 3.4.1 实时密度估计的实现 | 第33-34页 |
| 3.4.2 图像预处理 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 人群密度估计模型的改进 | 第36-44页 |
| 4.1 图像分块 | 第36-38页 |
| 4.2 改进的人群密度估计模型 | 第38-42页 |
| 4.2.1 模型介绍 | 第38-42页 |
| 4.2.2 参数量计算 | 第42页 |
| 4.3 训练方法 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 实验与分析 | 第44-54页 |
| 5.1 实验数据准备 | 第44-46页 |
| 5.2 训练过程 | 第46-48页 |
| 5.3 实验结果 | 第48-52页 |
| 5.3.1 准确率实验 | 第48-51页 |
| 5.3.2 实时性实验 | 第51-52页 |
| 5.4 实验对比 | 第52页 |
| 5.5 本章小结 | 第52-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60页 |
