| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-15页 |
| 1.2.1 基于特征的检测方法 | 第10-12页 |
| 1.2.2 基于分类器的检测方法 | 第12页 |
| 1.2.3 基于视频信息的检测方法 | 第12-13页 |
| 1.2.4 物体分类的研究 | 第13-14页 |
| 1.2.5 深度学习研究现状 | 第14-15页 |
| 1.3 本文研究的内容和结构 | 第15-16页 |
| 第2章 快速卷积神经网络的研究 | 第16-24页 |
| 2.1 线性分类器 | 第16-17页 |
| 2.2 卷积神经网络结构 | 第17-20页 |
| 2.2.1 神经网络 | 第17页 |
| 2.2.2 卷积神经网络 | 第17页 |
| 2.2.3 卷积层 | 第17-19页 |
| 2.2.4 池化层 | 第19-20页 |
| 2.2.5 归一化层 | 第20页 |
| 2.2.6 全连接层 | 第20页 |
| 2.3 快速卷积神经网络的计算 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于快速神经网络的指导训练 | 第24-47页 |
| 3.1 指导训练方法的提出 | 第24-25页 |
| 3.2 神经网络模型的计算复杂度分析 | 第25-28页 |
| 3.3 构建指导训练的映射网络 | 第28-30页 |
| 3.4 基于映射层的指导训练过程 | 第30-32页 |
| 3.5 基于公共数据库的模型验证 | 第32-46页 |
| 3.5.1 MXNet深度学习框架的搭建 | 第33-35页 |
| 3.5.2 基于数据库CIFAR-10的基准模型构建 | 第35-37页 |
| 3.5.3 基准模型的配置与训练 | 第37-38页 |
| 3.5.4 基于数据库CIFAR-10的模型验证 | 第38-41页 |
| 3.5.5 模型精度的分析与优化 | 第41-42页 |
| 3.5.6 基于PascalVOC07数据集的模型验证 | 第42-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于感兴趣区域的快速卷积目标检测 | 第47-61页 |
| 4.1 目标检测系统框架的搭建 | 第47-48页 |
| 4.2 感兴趣区域的选择 | 第48-53页 |
| 4.2.1 检测目标的特征提取 | 第48-50页 |
| 4.2.2 直方图的特征提取 | 第50-51页 |
| 4.2.3 感兴趣区域的筛选与合并 | 第51-53页 |
| 4.3 基于感兴趣区域的快速卷积神经网络的计算 | 第53-57页 |
| 4.3.1 目标检测框架的构建 | 第53-55页 |
| 4.3.2 感兴趣区域的快速卷积计算原理 | 第55-57页 |
| 4.4 快速卷积计算的验证与功能分析 | 第57-60页 |
| 4.4.1 感兴趣区域与测试时间的关系研究 | 第57-58页 |
| 4.4.2 感兴趣区域与目标检测准确性的关系研究 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间的研究成果 | 第69页 |