| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-15页 |
| 1.1.1 行人检测领域 | 第10-13页 |
| 1.1.2 人数统计领域 | 第13-15页 |
| 1.2 本文主要贡献及创新 | 第15-16页 |
| 1.3 论文结构安排 | 第16-18页 |
| 第二章 CNN基础知识及经典网络结构 | 第18-34页 |
| 2.1 CNN发展历程 | 第18-19页 |
| 2.2 CNN基本结构 | 第19-24页 |
| 2.2.1 卷积层 | 第19-20页 |
| 2.2.2 激活层 | 第20-23页 |
| 2.2.3 池化层 | 第23页 |
| 2.2.4 全连接层 | 第23-24页 |
| 2.3 感受野 | 第24-25页 |
| 2.4 经典的CNN网络结构 | 第25-33页 |
| 2.4.1 LeNet网络模型 | 第25-26页 |
| 2.4.2 AlexNet网络模型 | 第26-27页 |
| 2.4.3 VGGNet网络模型 | 第27-28页 |
| 2.4.4 GoogleNet网络模型 | 第28-30页 |
| 2.4.5 ResNet网络模型 | 第30-32页 |
| 2.4.6 DenseNet网络模型 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于SSD算法改进的行人检测 | 第34-54页 |
| 3.1 行人检测领域的评估标准及常用数据集 | 第34-36页 |
| 3.1.1 评估标准 | 第34-35页 |
| 3.1.2 常用数据集 | 第35-36页 |
| 3.2 基于深度学习的检测算法比较 | 第36-38页 |
| 3.3 SSD网络框架 | 第38-42页 |
| 3.3.1 算法框架概述 | 第38页 |
| 3.3.2 多层featuremap独立检测 | 第38-39页 |
| 3.3.3 检测层defaultBox的设计 | 第39-40页 |
| 3.3.4 边框回归与目标分类任务 | 第40-41页 |
| 3.3.5 损失函数 | 第41-42页 |
| 3.4 基于SSD算法改进的行人检测框架 | 第42-50页 |
| 3.4.1 检测层defaultbox的针对性设计 | 第42-44页 |
| 3.4.2 基于卷积特征金字塔的SSD检测网络 | 第44-47页 |
| 3.4.3 浅层卷积特征的辅助检测 | 第47-49页 |
| 3.4.4 不同基础网络的检测效果比较 | 第49-50页 |
| 3.5 实验参数设置及综合对比分析 | 第50-53页 |
| 3.5.1 实验参数设置 | 第50-51页 |
| 3.5.2 综合对比分析 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第四章 基于MCNN算法改进的人数统计 | 第54-72页 |
| 4.1 人数统计领域的评估标准及常用数据集 | 第54-57页 |
| 4.1.1 评估标准 | 第54页 |
| 4.1.2 常用数据集 | 第54-57页 |
| 4.2 稀疏场景下的检测统计法 | 第57-58页 |
| 4.3 高密度场景下基于人群密度图的统计法 | 第58-60页 |
| 4.4 MCNN人数统计算法概述 | 第60-62页 |
| 4.5 改进的MCNN人数统计方法 | 第62-69页 |
| 4.5.1 VGGNet的迁移学习 | 第63-64页 |
| 4.5.2 降低网络下采样倍数 | 第64-69页 |
| 4.6 实验参数设置及综合对比分析 | 第69-71页 |
| 4.6.1 实验参数设置 | 第69-70页 |
| 4.6.2 综合对比分析 | 第70-71页 |
| 4.7 本章小结 | 第71-72页 |
| 第五章 模型加速 | 第72-79页 |
| 5.1 深度可分离卷积原理 | 第72-75页 |
| 5.1.1 标准卷积 | 第73页 |
| 5.1.2 深度可分离卷积 | 第73-74页 |
| 5.1.3 网络特征通道数控制因子 | 第74-75页 |
| 5.2 行人检测模型加速 | 第75-76页 |
| 5.3 人数统计模型加速 | 第76-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 本文总结 | 第79页 |
| 6.2 后续工作展望 | 第79-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-87页 |