| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究工作背景与意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第2章 卷积神经网络的设计 | 第14-27页 |
| 2.1 神经网络的建模与结构 | 第14-20页 |
| 2.1.1 单个神经元的建模 | 第14-16页 |
| 2.1.2 神经网络结构 | 第16-17页 |
| 2.1.3 代价函数的选择和设计 | 第17-18页 |
| 2.1.4 神经网络模型中的优化 | 第18-20页 |
| 2.2 卷积神经网络的层操作函数 | 第20-23页 |
| 2.2.1 卷积函数 | 第21页 |
| 2.2.2 池化函数 | 第21-23页 |
| 2.3 卷积神经网络的结构 | 第23-24页 |
| 2.3.1 层的排列形式 | 第23页 |
| 2.3.2 层的尺寸设置 | 第23-24页 |
| 2.4 案例分析(LeNet/VGGNet/ResNet) | 第24-26页 |
| 2.4.1 LeNet结构 | 第24-25页 |
| 2.4.2 VGGNet结构 | 第25页 |
| 2.4.3 ResNet结构 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 深度学习目标检测算法比较 | 第27-38页 |
| 3.1 目标检测原理 | 第27-29页 |
| 3.1.1 检测精度评价函数 | 第27页 |
| 3.1.2 非极大值抑制 | 第27-28页 |
| 3.1.3 边界框回归微调 | 第28-29页 |
| 3.2 基于候选区域建议的系列方法 | 第29-32页 |
| 3.2.1 R-CNN | 第29页 |
| 3.2.2 FastR-CNN | 第29-30页 |
| 3.2.3 FasterR-CNN | 第30-32页 |
| 3.3 基于回归的系列方法 | 第32-34页 |
| 3.3.1 YOLO | 第32-33页 |
| 3.3.2 SSD | 第33-34页 |
| 3.4 检测算法实验 | 第34-37页 |
| 3.4.1 实验数据集 | 第35页 |
| 3.4.2 实验处理过程 | 第35-36页 |
| 3.4.3 实验结果与分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于FasterR-CNN算法的安全帽检测实验 | 第38-48页 |
| 4.1 安全帽检测需求分析 | 第38-39页 |
| 4.2 数据集准备 | 第39-41页 |
| 4.3 开发环境 | 第41-42页 |
| 4.3.1 Caffe介绍 | 第41页 |
| 4.3.2 CUDA和cuDNN库加速 | 第41-42页 |
| 4.4 Faster R-CNN源码 | 第42-43页 |
| 4.5 基于Faster R-CNN模型的改进 | 第43-47页 |
| 4.5.1 模型改进方法 | 第43-44页 |
| 4.5.2 模型训练及检测 | 第44-45页 |
| 4.5.3 模型检测结果 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 实验结果及分析 | 第48-53页 |
| 5.1 评估算法标准 | 第48页 |
| 5.2 同场景检测效果比较 | 第48-50页 |
| 5.3 单张图片检测时间对比 | 第50页 |
| 5.4 不同场景改进算法检测效果 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 主要工作内容 | 第53页 |
| 6.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士学位期间的研究成果 | 第60页 |