| Abstract | 第5页 |
| Nomenclature | 第12-13页 |
| Chapter 1 Introduction | 第13-20页 |
| 1.1 Problem Statement | 第13页 |
| 1.2 Structure of Thesis: | 第13-14页 |
| 1.3 Artificial Intelligence and Sub fields | 第14-15页 |
| 1.4 Neural Networks | 第15-18页 |
| 1.4.1 Biological Neural Network Vs ANN | 第16-17页 |
| 1.4.2 Multi-layer-Network | 第17页 |
| 1.4.3 Backpropagation | 第17-18页 |
| 1.4.4 Role of Activation functions | 第18页 |
| 1.5 Deep Learning | 第18-20页 |
| Chapter 2 Convolution Neural Networks | 第20-29页 |
| 2.1 Basic Structure | 第20-26页 |
| 2.1.1 Convolution: | 第20-22页 |
| 2.1.2 Non Linearity | 第22-25页 |
| 2.1.2.1 Sigmoid Function: | 第22-23页 |
| 2.1.2.2 Tanh function: | 第23-24页 |
| 2.1.2.3 Re LU (Rectified Linear Unit): | 第24-25页 |
| 2.1.3 Pooling Step | 第25页 |
| 2.1.4 Fully Connected Layer | 第25-26页 |
| 2.2 Overall Process of a CNN | 第26页 |
| 2.3 Developments in CNN | 第26-29页 |
| 2.3.1 Alex Net (2012) | 第27页 |
| 2.3.2 ZFNet (2013) | 第27-28页 |
| 2.3.3 Google Net / Inception (2014) | 第28页 |
| 2.3.4 VGG (2014) | 第28-29页 |
| Chapter 3 Object Detection Models Based on CNN | 第29-43页 |
| 3.1 R-CNN | 第29-30页 |
| 3.1.1 General Description | 第29页 |
| 3.1.2 Drawback of R-CNN | 第29-30页 |
| 3.2 Fast R-CNN | 第30-31页 |
| 3.2.1 General Description | 第30-31页 |
| 3.2.2 Classification and Performance | 第31页 |
| 3.2.3 Training | 第31页 |
| 3.3 Region Proposal Generation and Use | 第31-33页 |
| 3.3.1 Overview | 第31-32页 |
| 3.3.2 Selective search parameters | 第32-33页 |
| 3.3.3 Edge Box | 第33页 |
| 3.4 Advance CNN Object Detection | 第33页 |
| 3.5 Faster R-CNN | 第33-34页 |
| 3.6 SSD (Single Shot Multi Box Detector) | 第34-35页 |
| 3.7 Comparison of Object detection models: | 第35页 |
| 3.8 Categorize of Object Detection | 第35-41页 |
| 3.8.1 Objectness Detection (OD): | 第36-38页 |
| 3.8.1.1 Region-merging approach: | 第37页 |
| 3.8.1.2 Window Sliding approach: | 第37-38页 |
| 3.8.1.3 Box-regressing Approaches: | 第38页 |
| 3.8.2 Salient object detection (SOD) | 第38-39页 |
| 3.8.2.1 Bottom-up SOD | 第39页 |
| 3.8.2.2 Top-down SOD: | 第39页 |
| 3.8.3 Category Specific Object Detection (COD): | 第39-41页 |
| 3.8.3.1 Object proposal-based approaches | 第40-41页 |
| 3.8.3.2 Regression-based Approaches | 第41页 |
| 3.9 Standard benchmarks for Datasets | 第41-43页 |
| Chapter 4 Proposed Method | 第43-61页 |
| 4.1 Proposed Method | 第43页 |
| 4.2 Proposed Markhor-VI Dataset and Data augmentation | 第43-48页 |
| 4.2.1 Data Augmentation of Proposed Dataset | 第44-48页 |
| 4.2.1.1 Resizing | 第44-45页 |
| 4.2.1.2 Scaling | 第45页 |
| 4.2.1.3 Translation | 第45-46页 |
| 4.2.1.4 Lighting conditions | 第46页 |
| 4.2.1.5 Rotation (at Finger angels) | 第46-47页 |
| 4.2.1.6 Flipping | 第47页 |
| 4.2.1.7 Perspective transforms | 第47-48页 |
| 4.3 Image Annotation | 第48-50页 |
| 4.4 Standard benchmarks for Datasets | 第50-51页 |
| 4.5 System Implementation and Experiments | 第51-57页 |
| 4.5.1 Proposed System Architecture | 第52-53页 |
| 4.5.2 Parameters | 第53-54页 |
| 4.5.3 Tuning the Network | 第54页 |
| 4.5.4 Object detection methods to be used | 第54-55页 |
| 4.5.5 Training the Model | 第55页 |
| 4.5.6 Evaluating the Model | 第55-57页 |
| 4.6 Results Analysis | 第57-59页 |
| 4.7 Advantages of Proposed method | 第59-61页 |
| Chapter 5 Conclusion and Future work | 第61-63页 |
| 5.1 Conclusion | 第61页 |
| 5.2 Future work | 第61-62页 |
| 5.3 Challenges and additional details | 第62-63页 |
| BIBLIOGRAPHY | 第63-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| ACKNOWLEDGEMENT | 第67-68页 |
| 附件 | 第68页 |
