图片中小目标检测问题研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 小目标检测研究现状 | 第11-13页 |
| 1.3 论文主要工作 | 第13页 |
| 1.4 论文组织结构 | 第13-16页 |
| 第二章 图像中小目标检测相关研究 | 第16-26页 |
| 2.1 基于深度学习的两步算法 | 第16-21页 |
| 2.1.1 Fast R-CNN算法 | 第16-18页 |
| 2.1.2 Faster R-CNN算法 | 第18-21页 |
| 2.2 基于深度学习的一步算法 | 第21-24页 |
| 2.2.1 YOLO算法 | 第21-23页 |
| 2.2.2 SSD算法 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 上下文信息灵活融合的检测算法 | 第26-34页 |
| 3.1 数据集制作 | 第26-27页 |
| 3.2 灵活、高效地融入上下文信息 | 第27-30页 |
| 3.3 实验评估 | 第30-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 针对特征图谱的有效降维算法 | 第34-46页 |
| 4.1 特征通道权重自学习 | 第34-39页 |
| 4.1.1 多尺度卷积核 | 第34-36页 |
| 4.1.2 复杂的残差连接方式 | 第36-38页 |
| 4.1.3 自学习赋予通道不同权重 | 第38-39页 |
| 4.2 构建特征降维模型 | 第39-42页 |
| 4.2.1 特征提取基础网络 | 第39-40页 |
| 4.2.2 区域提名网络 | 第40-41页 |
| 4.2.3 融合特征降维 | 第41-42页 |
| 4.3 实验评估 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 车辆行人实时检测系统 | 第46-60页 |
| 5.1 系统方案设计 | 第46页 |
| 5.2 系统模块设计与实现 | 第46-54页 |
| 5.2.1 视频信息采集模块 | 第46-47页 |
| 5.2.2 视频编码推流模块 | 第47-49页 |
| 5.2.3 实时目标检测模块 | 第49-54页 |
| 5.2.4 检测信息输出模块 | 第54页 |
| 5.3 实验评估 | 第54-57页 |
| 5.4 本章小结 | 第57-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |
