| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 传统的目标检测方法 | 第13页 |
| 1.2.2 基于区域假设与CNN特征相结合的目标检测方法 | 第13-14页 |
| 1.2.3 基于回归的目标检测方法 | 第14-15页 |
| 1.3 技术难点、主要研究内容和创新点 | 第15-17页 |
| 1.3.1 目标检测流程 | 第15页 |
| 1.3.2 技术难点 | 第15-16页 |
| 1.3.3 主要研究内容 | 第16页 |
| 1.3.4 创新点 | 第16-17页 |
| 1.4 文章结构 | 第17-18页 |
| 第2章 相关工作 | 第18-32页 |
| 2.1 概述 | 第18-19页 |
| 2.2 卷积神经网络的基本结构 | 第19-25页 |
| 2.2.1 卷积层 | 第19-21页 |
| 2.2.2 池化层 | 第21-22页 |
| 2.2.3 激活函数 | 第22-25页 |
| 2.3 相关目标检测算法 | 第25-31页 |
| 2.3.1 传统目标检测算法 | 第25-27页 |
| 2.3.2 基于区域假设与CNN特征相结合的目标检测方法 | 第27-29页 |
| 2.3.3 基于回归的目标检测方法 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于深度学习的目标检测 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 系统框架 | 第32-33页 |
| 3.3 特征提取网络 | 第33-37页 |
| 3.3.1 基础特征提取网络 | 第33-34页 |
| 3.3.2 基于“门”结构的特征融合网络 | 第34-37页 |
| 3.4 检测器 | 第37-39页 |
| 3.5 优化算法 | 第39-41页 |
| 3.5.1 损失函数 | 第39-40页 |
| 3.5.2 优化与训练 | 第40-41页 |
| 3.6 目标检测输出 | 第41-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 实验结果与分析 | 第43-53页 |
| 4.1 数据集与评价方法 | 第43-45页 |
| 4.1.1 数据集介绍 | 第43-44页 |
| 4.1.2 评价方法 | 第44-45页 |
| 4.2 模型训练与参数设置 | 第45页 |
| 4.3 模型有效性分析 | 第45-49页 |
| 4.3.1 门结构分析 | 第45-48页 |
| 4.3.2 双分支检测器分析 | 第48页 |
| 4.3.3 损失函数分析 | 第48-49页 |
| 4.4 与前沿方法的性能比较 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 附录A 发表论文和参加科研情况说明 | 第61页 |