| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景及其意义 | 第14-16页 |
| 1.2 国内外的研究现状 | 第16-22页 |
| 1.2.1 传统目标检测算法 | 第16-18页 |
| 1.2.2 基于深度学习的目标检测算法 | 第18-22页 |
| 1.3 本文的主要工作 | 第22-23页 |
| 1.4 论文的组织安排 | 第23-24页 |
| 第二章 相关理论和工作基础 | 第24-43页 |
| 2.1 引言 | 第24-25页 |
| 2.2 人工神经网络 | 第25-29页 |
| 2.2.1 神经元 | 第25-26页 |
| 2.2.2 激活函数 | 第26-28页 |
| 2.2.3 人工神经网络结构 | 第28-29页 |
| 2.3 反向传播算法 | 第29-32页 |
| 2.4 Softmax分类器 | 第32-33页 |
| 2.5 卷积神经网络 | 第33-37页 |
| 2.5.1 卷积神经网络概述 | 第33-34页 |
| 2.5.2 卷积神经网络结构 | 第34-37页 |
| 2.5.2.1 卷积层 | 第34-35页 |
| 2.5.2.2 池化层 | 第35-36页 |
| 2.5.2.3 典型卷积神经网络 | 第36-37页 |
| 2.6 数据增强 | 第37-41页 |
| 2.7 本章小结 | 第41-43页 |
| 第三章 基于深度学习的目标检测的改进算法研究 | 第43-64页 |
| 3.1 引言 | 第43页 |
| 3.2 SSD：SingleShotMultiBoxDetector算法 | 第43-53页 |
| 3.2.1 SSD300算法原理 | 第43-47页 |
| 3.2.2 分析与改进 | 第47-53页 |
| 3.2.2.1 分离特征 | 第47-51页 |
| 3.2.2.2 特征融合 | 第51页 |
| 3.2.2.3 数据增强与小目标识别问题 | 第51-53页 |
| 3.3 基于位置预测与类别预测分离的SSD改进算法研究 | 第53-61页 |
| 3.3.1 膨胀卷积下采样 | 第53-55页 |
| 3.3.2 改进算法的网络结构 | 第55-60页 |
| 3.3.3 训练 | 第60-61页 |
| 3.4 一种基于金字塔图像序列的数据增强的方法 | 第61-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 基于改进算法的系统实现及性能测试 | 第64-78页 |
| 4.1 系统结构设计 | 第64-65页 |
| 4.2 基于DF-SSD算法的模型构建 | 第65-71页 |
| 4.2.1 Caffe深度学习框架简介 | 第65-66页 |
| 4.2.2 PascalVOC数据集及其预处理 | 第66-68页 |
| 4.2.3 模型搭建与训练 | 第68-71页 |
| 4.3 算法性能测试 | 第71-77页 |
| 4.3.1 检测效果测试 | 第71-72页 |
| 4.3.2 性能定量评价指标 | 第72页 |
| 4.3.3 对照实验使用的模型 | 第72-74页 |
| 4.3.4 性能测试结果与分析 | 第74-77页 |
| 4.4 本章小结 | 第77-78页 |
| 第五章 全文总结与展望 | 第78-80页 |
| 5.1 总结 | 第78-79页 |
| 5.2 展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 攻读硕士学位期间的研究成果 | 第86-87页 |
| 个人简历 | 第87页 |