基于深度学习的行人检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 论文的主要工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第2章 相关背景及技术介绍 | 第18-35页 |
| 2.1 行人检测方法和技术简介 | 第18-22页 |
| 2.1.1 决策树算法 | 第18-20页 |
| 2.1.2 Adaboost算法 | 第20-21页 |
| 2.1.3 基于聚合通道特征的行人检测 | 第21-22页 |
| 2.2 深度学习原理及背景 | 第22-29页 |
| 2.2.1 深度学习背景 | 第23-24页 |
| 2.2.2 深度神经网络概述 | 第24-26页 |
| 2.2.3 常见的深度学习网络模型 | 第26-29页 |
| 2.3 训练深度神经网络 | 第29-34页 |
| 2.3.1 训练深度神经网络技巧 | 第29-32页 |
| 2.3.2 随机梯度下降法 | 第32-34页 |
| 2.4 小结 | 第34-35页 |
| 第3章 混合多刻度神经网络的行人检测 | 第35-47页 |
| 3.1 卷积神经网络 | 第35-36页 |
| 3.2 基于混合多刻度网络的行人检测 | 第36-40页 |
| 3.2.1 方法概述 | 第36-38页 |
| 3.2.2 区域生成网络 | 第38-40页 |
| 3.2.3 检测网络 | 第40页 |
| 3.3 实验仿真 | 第40-46页 |
| 3.3.1 行人检测数据集简介 | 第40-41页 |
| 3.3.2 实验设置 | 第41页 |
| 3.3.3 实验结果与分析 | 第41-46页 |
| 3.4 小结 | 第46-47页 |
| 第4章 基于通道选择的深度学习行人检测 | 第47-58页 |
| 4.1 引言 | 第47页 |
| 4.2 SSD目标检测框架 | 第47-48页 |
| 4.3 基于通道选择的深度学习行人检测 | 第48-53页 |
| 4.3.1 SE网络模块简介 | 第48-49页 |
| 4.3.2 方法概述 | 第49页 |
| 4.3.3 网络结构设计 | 第49-51页 |
| 4.3.4 网络训练 | 第51-53页 |
| 4.4 实验仿真 | 第53-57页 |
| 4.4.1 实验设置 | 第53页 |
| 4.4.2 实验结果与分析 | 第53-57页 |
| 4.5 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 附录A 攻读硕士学位期间获得的专利著作 | 第66-67页 |
| 附录B 攻读硕士学位期间参与的科研项目 | 第67-68页 |
| 致谢 | 第68页 |
