| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 选题背景与意义 | 第13-14页 |
| 1.2 国内外研究概述 | 第14-16页 |
| 1.3 研究挑战 | 第16页 |
| 1.4 研究工作和安排 | 第16-18页 |
| 第二章 卷积神经网络原理 | 第18-27页 |
| 2.1 深度学习工具Caffe简介 | 第18页 |
| 2.2 Caffe的功能层 | 第18-19页 |
| 2.3 卷积神经网络 | 第19页 |
| 2.4 卷积神经网络的基本结构 | 第19-23页 |
| 2.4.1 卷积层的基本结构 | 第20-22页 |
| 2.4.2 池化层的基本结构 | 第22-23页 |
| 2.5 基于Caffe的深度网络设计 | 第23-26页 |
| 2.5.1 卷积层的设计 | 第23-24页 |
| 2.5.2 池化层的设计 | 第24-25页 |
| 2.5.3 深度卷积网络流程 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 SingleShotmultiboxDetector算法 | 第27-37页 |
| 3.1 SSD物体检测框架 | 第27-28页 |
| 3.1.1 非极大值抑制抑制算法 | 第27-28页 |
| 3.2 SSD模型结构 | 第28-29页 |
| 3.3 SSD模型训练 | 第29-31页 |
| 3.3.1 JaccardOverlay算法 | 第30页 |
| 3.3.2 softmax函数 | 第30-31页 |
| 3.4 默认框高宽比和大小的选择 | 第31-33页 |
| 3.4.1 感受野 | 第32-33页 |
| 3.5 SSD模型实验效果 | 第33-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 对于SSD模型的改进 | 第37-51页 |
| 4.1 HOG算法 | 第37-39页 |
| 4.2 改进SSD模型结构 | 第39-43页 |
| 4.2.1 边框回归 | 第40-42页 |
| 4.2.2 反卷积算法 | 第42页 |
| 4.2.3 区域推荐算法 | 第42-43页 |
| 4.2.4 改进VGG网络 | 第43页 |
| 4.3 改进SSD模型训练 | 第43-45页 |
| 4.3.1 自然随机梯度下降 | 第45页 |
| 4.4 Caffe代码 | 第45-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 实验结果分析与软件实现 | 第51-63页 |
| 5.1 数据集实验 | 第51-54页 |
| 5.1.1 在VOC数据集上实验 | 第51-53页 |
| 5.1.2 在COCO数据集上实验 | 第53-54页 |
| 5.2 改进SSD模型对比实验 | 第54-55页 |
| 5.3 基于改进SSD模型的物体检测软件实现 | 第55-62页 |
| 5.3.1 软件设计目标 | 第55-56页 |
| 5.3.2 软件系统设计 | 第56页 |
| 5.3.3 改进SSD模型功能模块的实现 | 第56-60页 |
| 5.3.4 软件检测 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-64页 |
| 总结 | 第63页 |
| 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表论文 | 第68-70页 |
| 致谢 | 第70页 |