| 摘要 | 第4-7页 |
| Abstract | 第7-8页 |
| Acknowledgement | 第9-12页 |
| Nomenclature | 第12-16页 |
| Chapter 1 Introduction | 第16-23页 |
| 1.1 Research Background | 第16-17页 |
| 1.2 Current State and Analysis of the Research | 第17-21页 |
| 1.2.1 Object Detection | 第17-20页 |
| 1.2.2 Deep Learning for Computer Vision | 第20-21页 |
| 1.3 Main Content Research | 第21-22页 |
| 1.4 Thesis Structure | 第22-23页 |
| Chapter 2 Related Works | 第23-38页 |
| 2.1 Convolutional Neural Network | 第23-30页 |
| 2.1.1 Deep Residual Network | 第24-27页 |
| 2.1.2 Densely Connected Convolutional Network | 第27-28页 |
| 2.1.3 Visualization of the Convolutional Neural Network | 第28-30页 |
| 2.2 Review of Faster RCNN architecture | 第30-33页 |
| 2.2.1 RCNN | 第30-31页 |
| 2.2.2 Fast RCNN | 第31-32页 |
| 2.2.3 Faster RCNN | 第32-33页 |
| 2.3 Metric Learning / Similarity Learning | 第33-37页 |
| 2.3.1 Siamese Network | 第34-35页 |
| 2.3.2 Triplet Loss | 第35-36页 |
| 2.3.3 Center Loss | 第36-37页 |
| 2.4 Summary | 第37-38页 |
| Chapter 3 Proposed Method | 第38-49页 |
| 3.1 Proposed Method Integration with Faster RCNN | 第38-39页 |
| 3.2 Multi-Depth Feature Representation | 第39-44页 |
| 3.2.1 Motivation | 第39页 |
| 3.2.2 Faster RCNN Baseline Architecture using Res Net | 第39-41页 |
| 3.2.3 MDFR using ROI Pooling | 第41-42页 |
| 3.2.4 MDFR using Transformed Features | 第42-43页 |
| 3.2.5 MDFR using Dense Features | 第43-44页 |
| 3.3 Stable Center Loss | 第44-48页 |
| 3.3.1 Motivation | 第44-45页 |
| 3.3.2 Implementation | 第45-48页 |
| 3.4 Summary | 第48-49页 |
| Chapter 4 Experiments | 第49-65页 |
| 4.1 Datasets | 第49-50页 |
| 4.2 Evaluation Method | 第50-51页 |
| 4.3 Experiment Setup | 第51页 |
| 4.4 Multi-Depth Feature Representation | 第51-54页 |
| 4.5 Stable Center Loss | 第54-60页 |
| 4.5.1 Stable Center Loss Implementation on MNIST dataset | 第54-57页 |
| 4.5.2 Object Detection Experiment Result | 第57-59页 |
| 4.5.3 Discriminative Feature Experiment | 第59-60页 |
| 4.6 Analysis of the Proposed Method | 第60-63页 |
| 4.7 Other Research Comparison | 第63-65页 |
| Conclusions | 第65-66页 |
| References | 第66-70页 |
