基于深度神经网络的目标检测算法改进
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第10-22页 |
| 1.1 传统目标检测方法 | 第10-12页 |
| 1.2 深度卷积神经网络的目标检测 | 第12-15页 |
| 1.3 深度网络优化的方向 | 第15-20页 |
| 1.3.1 深度网络模块优化 | 第15页 |
| 1.3.2 深度网络整体结构优化 | 第15-16页 |
| 1.3.3 深度网络模型压缩 | 第16-18页 |
| 1.3.4 其他优化方向 | 第18-20页 |
| 1.4 本文的主要贡献和内容安排 | 第20-22页 |
| 2 目标检测网络设计 | 第22-41页 |
| 2.1 总体模型改进 | 第22-24页 |
| 2.2 特征提取网络设计 | 第24-29页 |
| 2.2.1 Fire模块 | 第25-26页 |
| 2.2.2 bypass模块 | 第26-27页 |
| 2.2.3 相关操作 | 第27-29页 |
| 2.3 多尺度特征空间设计 | 第29-30页 |
| 2.4 候选区域筛选策略 | 第30-33页 |
| 2.4.1 级联拒绝分类器CRC | 第31-32页 |
| 2.4.2 反向CRC的训练 | 第32-33页 |
| 2.5 目标区域检测方法 | 第33-36页 |
| 2.5.1 目标区域的分类与预测 | 第33-35页 |
| 2.5.2 NMS区域筛选 | 第35-36页 |
| 2.6 网络模型训练策略 | 第36-40页 |
| 2.6.1 模型的损失函数 | 第36-38页 |
| 2.6.2 训练策略 | 第38页 |
| 2.6.3 参数更新 | 第38-39页 |
| 2.6.4 训练的其他策略 | 第39-40页 |
| 2.7 本章小结 | 第40-41页 |
| 3 模型压缩设计 | 第41-49页 |
| 3.1 整体压缩模型 | 第41-42页 |
| 3.2 网络修剪 | 第42-44页 |
| 3.2.1 稀疏网络的存储 | 第42-43页 |
| 3.2.2 网络修剪阈值的选择 | 第43-44页 |
| 3.3 权重量化 | 第44-45页 |
| 3.4 迭代训练 | 第45-47页 |
| 3.4.1 网络修剪迭代训练 | 第45-46页 |
| 3.4.2 权重量化迭代训练 | 第46-47页 |
| 3.5 进一步压缩策略 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 实施与实验结果分析 | 第49-60页 |
| 4.1 实施细节 | 第49-52页 |
| 4.1.1 Caffe框架及数据集 | 第49-50页 |
| 4.1.2 实施及训练策略 | 第50-51页 |
| 4.1.3 性能指标 | 第51-52页 |
| 4.2 网络模型模块分析 | 第52-55页 |
| 4.2.1 Squeeze网络 | 第53页 |
| 4.2.2 旁路连接模块 | 第53页 |
| 4.2.3 Fire模块 | 第53-55页 |
| 4.2.4 反向CRC | 第55页 |
| 4.3 压缩分析 | 第55-58页 |
| 4.3.1 网络修剪 | 第56-57页 |
| 4.3.2 权重量化 | 第57-58页 |
| 4.3.3 组合效果 | 第58页 |
| 4.4 目标结果比较 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-63页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第70页 |
