| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.3 本文主要贡献与创新 | 第20-21页 |
| 1.4 本论文组织结构 | 第21-23页 |
| 第二章 人数统计相关技术 | 第23-33页 |
| 2.1 人数统计相关概念 | 第23-29页 |
| 2.1.1 对象检测 | 第23-25页 |
| 2.1.2 对抗生成神经网络 | 第25-27页 |
| 2.1.3 防模型训练过拟合技术 | 第27-28页 |
| 2.1.4 人数统计方法性能评价指标 | 第28-29页 |
| 2.2 基于对象检测的人数统计方法 | 第29-31页 |
| 2.3 基于深度神经网络的人群密度估计方法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于自适应叠合分割与深度神经网络的人数统计方法 | 第33-51页 |
| 3.1 对象尺度变化问题分析 | 第33-35页 |
| 3.2 自适应叠合分割思想 | 第35-38页 |
| 3.2.1 区域缩放方法 | 第35-36页 |
| 3.2.2 多尺度支持方法对比 | 第36-37页 |
| 3.2.3 基于注意力机制的自适应叠合分割思想 | 第37-38页 |
| 3.3 自适应叠合分割算法 | 第38-42页 |
| 3.3.1 算法流程 | 第38页 |
| 3.3.2 自适应叠合分割算法设计 | 第38-40页 |
| 3.3.3 软化非最大值抑制算法 | 第40-42页 |
| 3.4 实验与分析 | 第42-49页 |
| 3.4.1 数据集制作 | 第42-43页 |
| 3.4.2 人头对象检测模型训练 | 第43-44页 |
| 3.4.3 实验一 | 第44-47页 |
| 3.4.4 实验二 | 第47-48页 |
| 3.4.5 实验三 | 第48页 |
| 3.4.6 实验结论 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 基于深度神经网络的人群密度估计方法 | 第51-69页 |
| 4.1 人群密度估计问题分析 | 第51-52页 |
| 4.2 几何自适应高斯核函数 | 第52-53页 |
| 4.3 基于多尺度卷积神经网络的人群密度估计方法 | 第53-57页 |
| 4.3.1 多尺度模型块 | 第54页 |
| 4.3.2 用于人群密度估计的多尺度卷积神经网络模型设计 | 第54-56页 |
| 4.3.3 多尺度卷积神经网络模型损失函数 | 第56页 |
| 4.3.4 多尺度卷积神经网络模型训练 | 第56-57页 |
| 4.4 基于条件对抗生成神经网络的人群密度估计方法 | 第57-63页 |
| 4.4.1 用于人群密度估计的条件对抗生成神经网络模型设计 | 第57-62页 |
| 4.4.2 条件对抗生成神经网络模型优化目标方程 | 第62页 |
| 4.4.3 条件对抗生成神经网络模型训练 | 第62-63页 |
| 4.5 实验与分析 | 第63-68页 |
| 4.5.1 人群密度估计数据集 | 第64页 |
| 4.5.2 实验一 | 第64-66页 |
| 4.5.3 实验二 | 第66-67页 |
| 4.5.4 实验结论 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 智能人数统计服务系统设计与实现 | 第69-89页 |
| 5.1 整体目标与需求分析 | 第69-71页 |
| 5.1.1 系统整体目标 | 第70-71页 |
| 5.1.2 系统需求分析 | 第71页 |
| 5.2 开发与运行环境 | 第71-74页 |
| 5.2.1 软件环境 | 第72-74页 |
| 5.2.2 硬件环境 | 第74页 |
| 5.3 系统整体方案设计 | 第74-77页 |
| 5.3.1 系统架构设计 | 第75-76页 |
| 5.3.2 系统整体运行流程 | 第76-77页 |
| 5.4 系统实现 | 第77-88页 |
| 5.5 本章小结 | 第88-89页 |
| 第六章 全文总结与展望 | 第89-91页 |
| 6.1 全文总结 | 第89-90页 |
| 6.2 后续展望 | 第90-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-97页 |
| 攻读硕士学位期间取得的成果 | 第97页 |
