| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 课题研究的目的和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于手工提取特征的图像Logo检测方法 | 第11-12页 |
| 1.2.2 基于深度学习的目标检测方法 | 第12-13页 |
| 1.3 主要研究内容及组织结构 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 论文的组织结构 | 第14-15页 |
| 第2章 基于候选区域的Logo检测相关理论介绍 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 图像特征提取方法 | 第15-18页 |
| 2.2.1 传统图像特征提取算法 | 第16页 |
| 2.2.2 卷积神经网络特征提取算法 | 第16-18页 |
| 2.3 候选框提取算法 | 第18-22页 |
| 2.3.1 传统的候选区域提取算法 | 第19页 |
| 2.3.2 基于神经网络的候选区域提取算法 | 第19-22页 |
| 2.4 候选框去重以及分类 | 第22-24页 |
| 2.4.1 非极大抑制去重 | 第22-23页 |
| 2.4.2 候选框分类算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于多尺度目标的候选框提取算法 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 自适应卷积网络 | 第25-27页 |
| 3.2.1 自适应卷积层 | 第26-27页 |
| 3.2.2 自适应候选框池化层 | 第27页 |
| 3.3 基于尺度聚类的候选框提取网络 | 第27-29页 |
| 3.3.1 目标尺度聚类 | 第27-29页 |
| 3.3.2 候选框距离函数定义 | 第29页 |
| 3.4 多尺度特征金字塔 | 第29-33页 |
| 3.4.1 特征金字塔的定义 | 第30页 |
| 3.4.2 特征金字塔生成网络 | 第30-32页 |
| 3.4.3 多尺度候选框生成网络 | 第32-33页 |
| 3.5 实验设计与分析 | 第33-38页 |
| 3.5.1 数据集 | 第33-35页 |
| 3.5.2 实验设置 | 第35页 |
| 3.5.3 评价标准 | 第35页 |
| 3.5.4 实验结果分析 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 Logo候选框的分类与边框回归 | 第39-55页 |
| 4.1 引言 | 第39页 |
| 4.2 基于目标上下文的分类方法 | 第39-42页 |
| 4.2.1 目标上下文定义 | 第39-41页 |
| 4.2.2 目标上下文网络 | 第41-42页 |
| 4.3 基于长短期记忆的上下文分类网络 | 第42-45页 |
| 4.3.1 长短期记忆模型 | 第42-43页 |
| 4.3.2 长短期记忆上下文分类网络 | 第43-45页 |
| 4.4 边框回归 | 第45-47页 |
| 4.5 实验设计与分析 | 第47-54页 |
| 4.5.1 数据集 | 第47页 |
| 4.5.2 实验设置 | 第47页 |
| 4.5.3 评价标准 | 第47-48页 |
| 4.5.4 对比方法 | 第48页 |
| 4.5.5 实验结果分析 | 第48-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |