| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 物体检测算法的国内外研究现状 | 第14-15页 |
| 1.2.2 多物体检测算法的国内外研究现状 | 第15-17页 |
| 1.3 本文主要研究内容与章节安排 | 第17-20页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 章节安排 | 第18-20页 |
| 第2章 物体检测的相关理论 | 第20-31页 |
| 2.1 物体检测算法 | 第20-21页 |
| 2.2 机器学习中的学习形式 | 第21-22页 |
| 2.2.1 监督学习 | 第21-22页 |
| 2.2.2 无监督学习 | 第22页 |
| 2.2.3 半监督学习 | 第22页 |
| 2.3 卷积神经网络概述 | 第22-28页 |
| 2.3.1 神经网络相关理论 | 第23-24页 |
| 2.3.2 激活函数 | 第24-25页 |
| 2.3.3 卷积神经网络基础理论 | 第25-27页 |
| 2.3.4 卷积神经网络的基础模型 | 第27-28页 |
| 2.4 卷积神经网络相关算法 | 第28-30页 |
| 2.4.1 反向传播算法 | 第28-29页 |
| 2.4.2 Softmax分类算法 | 第29-30页 |
| 2.5 本章小节 | 第30-31页 |
| 第3章 改进的CNN多物体检测算法 | 第31-48页 |
| 3.1 提取候选区域算法 | 第31-35页 |
| 3.1.1 选择性搜索候选区域算法 | 第31-33页 |
| 3.1.2 基于RPN的候选区域提取算法 | 第33-34页 |
| 3.1.3 提取候选区域算法不足 | 第34-35页 |
| 3.2 基于多尺度特征提取候选区域算法 | 第35-40页 |
| 3.2.1 多尺度特征 | 第35-37页 |
| 3.2.2 多尺度特征下提取候选区域算法 | 第37-40页 |
| 3.3 改进的非极大值抑制算法 | 第40-45页 |
| 3.3.1 传统非极大值抑制算法 | 第40-41页 |
| 3.3.2 基于中心点的非极大值抑制算法 | 第41-45页 |
| 3.4 Multi-CNMS算法 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于上下文的多物体检测算法 | 第48-60页 |
| 4.1 上下文信息 | 第48-49页 |
| 4.2 上下文信息特征提取 | 第49-52页 |
| 4.3 Context-CNN多物体检测算法 | 第52-59页 |
| 4.3.1 CNN物体检测算法 | 第52-54页 |
| 4.3.2 Context-CNN多物体检测算法模型 | 第54-56页 |
| 4.3.3 Context-CNN多物体检测算法实现 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 实验结果与分析 | 第60-76页 |
| 5.1 实验环境 | 第60-62页 |
| 5.1.1 实验硬件环境 | 第60-61页 |
| 5.1.2 实验软件环境 | 第61-62页 |
| 5.2 实验数据集 | 第62-64页 |
| 5.2.1 ImagenetVID数据集 | 第62-63页 |
| 5.2.2 PASCALVOC数据集 | 第63-64页 |
| 5.3 实验评价标准 | 第64-66页 |
| 5.3.1 P-R曲线 | 第64-65页 |
| 5.3.2 平均准确率均值mAP | 第65-66页 |
| 5.4 实验结果及分析 | 第66-75页 |
| 5.4.1 Multi-CNMS算法实验结果及分析 | 第66-70页 |
| 5.4.2 Context-CNN算法实验结果及分析 | 第70-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76-77页 |
| 6.2 进一步工作的方向 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
