摘要 | 第5-6页 |
abstract | 第6页 |
第一章 绪论 | 第9-15页 |
1.1 研究背景及意义 | 第9-11页 |
1.2 目标检测技术在国内外的发展现状 | 第11-13页 |
1.3 本论文主要研究内容及创新 | 第13页 |
1.4 论文的结构安排 | 第13-15页 |
第二章 基于高阶BING特征和多尺度特征估计的候选区域检测 | 第15-43页 |
2.1 引言 | 第15-16页 |
2.2 BING特征 | 第16-20页 |
2.2.1 归一化梯度特征(NG) | 第16-17页 |
2.2.2 二值化近似算法(Binary approximate) | 第17-19页 |
2.2.3 BING特征的快速计算 | 第19-20页 |
2.3 线性SVM分类器 | 第20-23页 |
2.3.1 线性SVM的原问题 | 第20-22页 |
2.3.2 线性SVM的对偶问题 | 第22-23页 |
2.4 Bing算法框架 | 第23-24页 |
2.5 高阶BING特征 | 第24-28页 |
2.5.1 梯度方向直方图 | 第25页 |
2.5.2 高阶BING特征 | 第25-27页 |
2.5.3 高阶BING特征的快速计算 | 第27-28页 |
2.6 多尺度特征估计 | 第28-32页 |
2.6.1 梯度方向直方图的上采样 | 第28-30页 |
2.6.2 梯度方向直方图的下采样 | 第30页 |
2.6.3 特征的多尺度近似 | 第30-32页 |
2.7 基于高阶BING特征和多尺度特征估计的候选区域检测算法 | 第32-35页 |
2.7.1 图像特征金字塔的构造和快速计算 | 第33-34页 |
2.7.2 两级SVM模型的训练 | 第34-35页 |
2.7.3 候选区域检测 | 第35页 |
2.8 实验与分析 | 第35-42页 |
2.8.1 多类目标候选区域检测实验 | 第36-38页 |
2.8.2 人脸候选区域检测实验 | 第38-40页 |
2.8.3 行人候选区域检测实验 | 第40-42页 |
2.9 本章小结 | 第42-43页 |
第三章 基于深度卷积神经网络的目标检测 | 第43-65页 |
3.1 引言 | 第43-44页 |
3.2 特征提取 | 第44-48页 |
3.2.1 ZFNet | 第44-45页 |
3.2.2 VGGNet | 第45-46页 |
3.2.3 GoogLe Net | 第46-48页 |
3.3 用于候选区域检测的RPN网络 | 第48-50页 |
3.4 ROI Pooling层 | 第50-51页 |
3.5 多任务损失函数 | 第51-52页 |
3.6 全连接层的SVD分解 | 第52页 |
3.7 激活函数CRe LU | 第52-55页 |
3.8 困难样本挖掘 | 第55-56页 |
3.9 目标检测网络的设计 | 第56-60页 |
3.9.1 特征提取网络的前半部分 | 第56-57页 |
3.9.2 特征提取网络的后半部分 | 第57-59页 |
3.9.3 候选区域检测和目标检测 | 第59-60页 |
3.10 实验与分析 | 第60-64页 |
3.11 本章小结 | 第64-65页 |
第四章 目标检测系统的设计与实现 | 第65-71页 |
4.1 训练参数的选择 | 第65-67页 |
4.1.1 随机梯度下降 | 第65-66页 |
4.1.2 人脸检测系统的训练参数选择 | 第66-67页 |
4.2 训练图片的标注 | 第67-69页 |
4.3 人脸识别系统 | 第69-70页 |
4.4 本章小结 | 第70-71页 |
第五章 总结与展望 | 第71-73页 |
5.1 总结 | 第71-72页 |
5.2 展望 | 第72-73页 |
致谢 | 第73-74页 |
参考文献 | 第74-78页 |
攻读硕士学位期间取得的成果 | 第78-79页 |