| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于传统手工特征及浅层分类器的目标检测 | 第11-12页 |
| 1.2.2 基于卷积神经网络的目标检测 | 第12-14页 |
| 1.3 本文主要内容和结构安排 | 第14-18页 |
| 第二章 相关工作基础 | 第18-32页 |
| 2.1 基于传统手工特征和浅层分类器的目标检测 | 第18-22页 |
| 2.1.1 滑动窗模型 | 第18-19页 |
| 2.1.2 候选框模型 | 第19页 |
| 2.1.3 常用的图像特征 | 第19-21页 |
| 2.1.4 常用分类器 | 第21-22页 |
| 2.2 基于卷积神经网络的目标检测 | 第22-29页 |
| 2.2.1 卷积神经网络的相关理论 | 第22-26页 |
| 2.2.2 主流卷积神经网络模型 | 第26-29页 |
| 2.3 数据集 | 第29-30页 |
| 2.3.1 ImageNet | 第29页 |
| 2.3.2 PASCAL VOC | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 一种基于级联卷积神经网络的目标检测算法 | 第32-42页 |
| 3.1 引言 | 第32-33页 |
| 3.2 目标候选框生成 | 第33-36页 |
| 3.2.1 区域候选网络 | 第33-34页 |
| 3.2.2 优化网络 | 第34-36页 |
| 3.3 级联分类器 | 第36-38页 |
| 3.3.1 Softmax分类器 | 第36-37页 |
| 3.3.2 二值分类器 | 第37-38页 |
| 3.4 训练方法 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-41页 |
| 3.5.1 优化网络验证实验 | 第39-40页 |
| 3.5.2 级联分类器验证实验 | 第40页 |
| 3.5.3 模型整体性能对比 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 一种基于全卷积网络的实时目标检测算法 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 YOLO | 第42-44页 |
| 4.3 多特征融合的全卷积网络 | 第44-47页 |
| 4.3.1 多特征融合 | 第45-46页 |
| 4.3.2 多边框预测 | 第46-47页 |
| 4.3.3 多尺度训练 | 第47页 |
| 4.4 模型结构及训练方法 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 论文工作总结 | 第52-53页 |
| 5.2 进一步研究工作 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 作者攻读学位期间发表的学术论文目录 | 第60页 |