摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第11-18页 |
1.1 研究背景及意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 传统的目标检测算法 | 第12-13页 |
1.2.2 深度学习目标检测算法 | 第13-15页 |
1.3 目标检测面临的难点 | 第15页 |
1.4 论文结构安排及主要工作 | 第15-18页 |
1.4.1 论文主要工作 | 第15-16页 |
1.4.2 论文结构安排 | 第16-18页 |
第2章 目标检测算法的理论基础 | 第18-29页 |
2.1 卷积神经网络 | 第18-24页 |
2.1.1 卷积层 | 第18-20页 |
2.1.2 激活函数 | 第20-21页 |
2.1.3 池化层 | 第21-22页 |
2.1.4 全连接层 | 第22-23页 |
2.1.5 损失函数 | 第23-24页 |
2.1.6 前向/反向传播 | 第24页 |
2.2 目标检测的组件 | 第24-27页 |
2.2.1 区域生成 | 第24-26页 |
2.2.2 边框回归 | 第26页 |
2.2.3 非极大值抑制 | 第26-27页 |
2.3 公共评价指标 | 第27-28页 |
2.3.1 正确率与召回率 | 第27-28页 |
2.3.2 平均正确率与平均检测精度 | 第28页 |
2.3.3 检测速度 | 第28页 |
2.4 小结 | 第28-29页 |
第3章 基于深度学习的目标检测算法比较分析 | 第29-41页 |
3.1 主流CNN模型 | 第29-32页 |
3.1.1 LeNet- | 第29-30页 |
3.1.2 AlexNet | 第30页 |
3.1.3 VGGNet | 第30-31页 |
3.1.4 GoogLeNet | 第31-32页 |
3.1.5 ResNet | 第32页 |
3.2 主流目标检测算法 | 第32-39页 |
3.2.1 基于区域生成的深度学习目标检测算法 | 第33-36页 |
3.2.2 基于回归方法的深度学习目标检测算法 | 第36-39页 |
3.2.3 算法比较分析 | 第39页 |
3.3 SSD的局限性 | 第39-40页 |
3.4 小结 | 第40-41页 |
第4章 基于相邻特征融合的SSD | 第41-56页 |
4.1 特征融合 | 第41-42页 |
4.1.1 深度特征的层次性 | 第41页 |
4.1.2 上采样 | 第41-42页 |
4.2 相邻特征融合的SSD结构 | 第42-45页 |
4.2.1 多尺度检测结构 | 第42-44页 |
4.2.2 融合方式 | 第44-45页 |
4.3 训练方法 | 第45-48页 |
4.3.1 配对策略 | 第45页 |
4.3.2 目标函数 | 第45-46页 |
4.3.3 默认框的选取 | 第46-47页 |
4.3.4 难分样本挖掘(hardnegativemining) | 第47页 |
4.3.5 数据增强(dataaugmentation) | 第47-48页 |
4.4 实验验证与分析 | 第48-54页 |
4.4.1 PASCAL VOC2007 | 第48-51页 |
4.4.2 PASCAL VOC2012 | 第51-52页 |
4.4.3 MSCOCO | 第52-54页 |
4.5 小结 | 第54-56页 |
第5章 基于二次特征融合的SSD | 第56-65页 |
5.1 concat操作 | 第56-58页 |
5.2 与特征金字塔网络结合的SSD | 第58-59页 |
5.2.1 特征金字塔网络结构 | 第58页 |
5.2.2 自上而下的路径和横向连接 | 第58-59页 |
5.3 多层特征融合 | 第59-61页 |
5.3.1 二次融合网络结构 | 第59-60页 |
5.3.2 BatchNormalization | 第60-61页 |
5.4 实验验证与分析 | 第61-64页 |
5.5 小结 | 第64-65页 |
结论 | 第65-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-74页 |
攻读硕士学位期间发表的论文 | 第74页 |