基于深度卷积特征融合的多尺度行人检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于手工设计特征的行人检测 | 第10-11页 |
| 1.2.2 基于深度卷积特征的行人检测 | 第11-12页 |
| 1.2.3 技术难点与挑战 | 第12-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第2章 相关知识 | 第15-29页 |
| 2.1 深度学习算法基础 | 第15-22页 |
| 2.1.1 深度学习概述 | 第15-16页 |
| 2.1.2 卷积神经网络 | 第16-18页 |
| 2.1.3 目标检测框架 | 第18-22页 |
| 2.2 行人检测关键技术 | 第22-27页 |
| 2.2.1 常用行人数据集 | 第22-24页 |
| 2.2.2 算法评估标准 | 第24-26页 |
| 2.2.3 行人检测方法概述 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 多尺度行人区域建议网络 | 第29-51页 |
| 3.1 行人尺度问题 | 第29-32页 |
| 3.1.1 不同尺度行人的分布 | 第29-31页 |
| 3.1.2 不同尺度行人的划分 | 第31-32页 |
| 3.2 MP-RPN网络设计 | 第32-37页 |
| 3.2.1 网络结构 | 第32-33页 |
| 3.2.2 特殊层的引入 | 第33-37页 |
| 3.3 多尺度行人处理方法 | 第37-45页 |
| 3.3.1 多尺度表达的思想 | 第37-39页 |
| 3.3.2 改进的anchor机制 | 第39-42页 |
| 3.3.3 候选区域的生成 | 第42-45页 |
| 3.4 实验结果与分析 | 第45-49页 |
| 3.4.1 MP-RPN与其他算法的比较 | 第45-46页 |
| 3.4.2 MP-RPN对行人检测的影响 | 第46-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于多层次卷积特征融合的行人检测 | 第51-71页 |
| 4.1 PMFF-CNN网络设计 | 第51-55页 |
| 4.1.1 网络结构 | 第51-53页 |
| 4.1.2 MP-RPN与PMFF-CNN的联合 | 第53-54页 |
| 4.1.3 行人候选区域与正负样本 | 第54-55页 |
| 4.2 多层次特征的提取与融合 | 第55-57页 |
| 4.2.1 坐标映射机制 | 第55页 |
| 4.2.2 行人感兴趣区域采样 | 第55-57页 |
| 4.2.3 特征融合及可视化 | 第57页 |
| 4.3 难分样本挖掘 | 第57-60页 |
| 4.3.1 难分样本挖掘思想 | 第57-59页 |
| 4.3.2 焦点损失函数 | 第59-60页 |
| 4.4 网络模型的训练 | 第60-62页 |
| 4.4.1 联合训练方法 | 第60-61页 |
| 4.4.2 重要细节 | 第61-62页 |
| 4.5 实验结果与分析 | 第62-69页 |
| 4.5.1 不同层次特征融合的影响 | 第62-63页 |
| 4.5.2 不同感兴趣区域采样方式的影响 | 第63-64页 |
| 4.5.3 难分样本挖掘的作用 | 第64-65页 |
| 4.5.4 不同尺度的行人检测 | 第65页 |
| 4.5.5 不同数据集上的检测结果 | 第65-68页 |
| 4.5.6 行人检测结果可视化 | 第68-69页 |
| 4.6 本章小结 | 第69-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71页 |
| 5.2 展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文与取得的研究成果 | 第81页 |
