| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 章节安排 | 第13-15页 |
| 第二章 相关算法及技术分析 | 第15-26页 |
| 2.1 目标检测算法分析 | 第15-18页 |
| 2.1.1 传统目标检测模型 | 第15页 |
| 2.1.2 基于卷积神经网络的目标检测模型 | 第15-18页 |
| 2.2 目标检测相关技术 | 第18-23页 |
| 2.2.1 检测尺度不变性 | 第18-20页 |
| 2.2.2 检测框识别分类和坐标 | 第20页 |
| 2.2.3 检测框后处理技术 | 第20-21页 |
| 2.2.4 检测加速技术 | 第21-23页 |
| 2.2.5 检测数据增强技术 | 第23页 |
| 2.3 数据集及评估标准 | 第23-25页 |
| 2.3.1 模型评估标准 | 第23-24页 |
| 2.3.2 数据集 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 预处理图像缩放适应算法 | 第26-35页 |
| 3.1 问题提出 | 第26-27页 |
| 3.2 基于不同图像缩放方式的数据增强 | 第27-30页 |
| 3.2.1 数据增强 | 第27-28页 |
| 3.2.2 训练过程 | 第28页 |
| 3.2.3 实验分析 | 第28-30页 |
| 3.3 基于知识蒸馏技术的规则化训练方法 | 第30-34页 |
| 3.3.1 知识蒸馏技术 | 第31页 |
| 3.3.2 基于知识蒸馏的模型训练方式 | 第31-33页 |
| 3.3.3 实验分析 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于Retina Net的轻量化目标检测算法的设计 | 第35-47页 |
| 4.1 基于Retina Net轻量化检测模型的改进 | 第36-40页 |
| 4.1.1 轻量化网络结构改进 | 第36-38页 |
| 4.1.2 知识蒸馏训练Retina Net模型 | 第38-40页 |
| 4.2 实验分析 | 第40-46页 |
| 4.2.1 实验配置 | 第40-42页 |
| 4.2.2 网络结构轻量化实验对比 | 第42-45页 |
| 4.2.3 知识蒸馏实验对比 | 第45-46页 |
| 4.2.4 模型轻量化后实验结果对比 | 第46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 轻量化服饰检测模型的设计与实现 | 第47-57页 |
| 5.1 服饰检测数据集 | 第47-52页 |
| 5.2 手机端部署服饰检测模型 | 第52页 |
| 5.3 实验分析 | 第52-55页 |
| 5.3.1 模型训练 | 第52-53页 |
| 5.3.2 模型部署 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表文章目录 | 第62-63页 |
| 致谢 | 第63-64页 |