| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 研究现状 | 第14-15页 |
| 1.2.2 现阶段存在的问题 | 第15-16页 |
| 1.3 论文主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 相关知识介绍 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 目标识别 | 第19-21页 |
| 2.3 神经网络 | 第21-27页 |
| 2.3.1 神经元建模 | 第22-23页 |
| 2.3.2 激活函数 | 第23页 |
| 2.3.3 网络层级与前向传播 | 第23-24页 |
| 2.3.4 损失函数与反向传播 | 第24-26页 |
| 2.3.5 过拟合 | 第26-27页 |
| 2.4 卷积神经网络 | 第27-29页 |
| 2.4.1 卷积神经网络的组成 | 第27-28页 |
| 2.4.2 常见卷积神经模型 | 第28-29页 |
| 2.5 GPU加速与深度学习框架 | 第29-31页 |
| 2.5.1 GPU加速 | 第29-30页 |
| 2.5.2 深度学习框架 | 第30-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 候选区域生成与人群遮挡 | 第33-41页 |
| 3.1 引言 | 第33页 |
| 3.2 候选区域生成 | 第33-35页 |
| 3.2.1 窗口滑动 | 第33页 |
| 3.2.2 Selective Search | 第33-35页 |
| 3.3 区域生成网络 | 第35-38页 |
| 3.3.1 特征提取网络 | 第35-36页 |
| 3.3.2 anchor机制 | 第36页 |
| 3.3.3 分类和区域回归 | 第36-38页 |
| 3.4 人群遮挡问题 | 第38-39页 |
| 3.4.1 人群遮挡的普遍性 | 第38页 |
| 3.4.2 人群遮挡的影响 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 改良区域回归与融合语义信息 | 第41-51页 |
| 4.1 引言 | 第41页 |
| 4.2 整体架构概述 | 第41-42页 |
| 4.3 数据预处理模块 | 第42-43页 |
| 4.4 区域生成 | 第43-48页 |
| 4.4.1 卷积特征提取 | 第44-45页 |
| 4.4.2 候选区域的分类 | 第45页 |
| 4.4.3 改良区域回归 | 第45-47页 |
| 4.4.4 融合语义信息 | 第47-48页 |
| 4.4.5 Soft-NMS | 第48页 |
| 4.5 区域分类网络 | 第48-49页 |
| 4.5.1 ROIPooling | 第48-49页 |
| 4.5.2 DCNN的损失函数 | 第49页 |
| 4.6 融合多网络输出 | 第49-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 实验结果与分析 | 第51-61页 |
| 5.1 引言 | 第51页 |
| 5.2 数据集介绍 | 第51-52页 |
| 5.2.1 Improved Caltech-USA | 第51页 |
| 5.2.2 CityPersons | 第51-52页 |
| 5.3 训练过程与细节 | 第52-53页 |
| 5.3.1 预训练 | 第52页 |
| 5.3.2 训练过程 | 第52-53页 |
| 5.4 实验指标与对比 | 第53-58页 |
| 5.4.1 评测指标 | 第53-54页 |
| 5.4.2 实验分析与对比 | 第54-58页 |
| 5.5 本章小结 | 第58-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 本文工作总结 | 第61-62页 |
| 6.2 未来研究展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-70页 |