| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及研究意义 | 第9页 |
| 1.2 国内外研究现状及发展动态 | 第9-13页 |
| 1.2.1 神经网络与深度学习 | 第9-11页 |
| 1.2.2 计算机视觉与目标检测 | 第11-13页 |
| 1.3 本文研究内容及组织结构 | 第13-15页 |
| 1.3.1 本文研究内容 | 第13-14页 |
| 1.3.2 本文组织结构 | 第14-15页 |
| 第二章 相关知识简介 | 第15-31页 |
| 2.1 卷积神经网络相关知识简介 | 第15-20页 |
| 2.1.1 卷积层 | 第15-16页 |
| 2.1.2 批量归一化 | 第16-17页 |
| 2.1.3 激活函数 | 第17-18页 |
| 2.1.4 池化层 | 第18-19页 |
| 2.1.5 全连接层 | 第19页 |
| 2.1.6 损失函数与误差反向传播 | 第19-20页 |
| 2.2 目标检测相关知识简介 | 第20-24页 |
| 2.2.1 特征提取主干网络 | 第20-21页 |
| 2.2.2 多尺度特征融合 | 第21-22页 |
| 2.2.3 边框回归与非极大值抑制 | 第22-24页 |
| 2.3 YOLO算法 | 第24-29页 |
| 2.3.1 You Only Look Once: Unified,Real-Time Object Detection | 第24-26页 |
| 2.3.2 YOLO9000: Better,Faster,Stronger | 第26-27页 |
| 2.3.3 YOLOv3:An Incremental Improvement | 第27-29页 |
| 2.3.4 YOLOv4:Optimal Speed and Accuracy of Object Detection | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 嵌入SPP模块的改进Tiny-YOLOv2 目标检测方法 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 YOLOv2中的锚框机制 | 第31-32页 |
| 3.3 改进的Tiny-YOLOv2 方法 | 第32-35页 |
| 3.3.1 基于K-means++聚类的锚框选取 | 第32-33页 |
| 3.3.2 空间金字塔池化模块 | 第33-35页 |
| 3.4 实验与结果分析 | 第35-38页 |
| 3.4.1 实验环境及参数设置 | 第35-36页 |
| 3.4.2 实验数据集 | 第36页 |
| 3.4.3 召回率结果分析 | 第36-37页 |
| 3.4.4 AP结果分析 | 第37页 |
| 3.4.5 BFlops结果分析 | 第37-38页 |
| 3.4.6 检测效果图 | 第38页 |
| 3.5 本章小结 | 第38-41页 |
| 第四章 一种融合密集连接的多尺度多目标检测网络 | 第41-59页 |
| 4.1 引言 | 第41页 |
| 4.2 Tiny-YOLOv3 目标检测算法 | 第41-42页 |
| 4.3 Dense-Tiny-YOLO | 第42-46页 |
| 4.3.1 Dense Net中的密集连接 | 第42-43页 |
| 4.3.2 Dense-Tiny-YOLO中的密集连接模块 | 第43-45页 |
| 4.3.3 Dense-Tiny-YOLO的运行流程 | 第45-46页 |
| 4.4 实验与结果分析 | 第46-58页 |
| 4.4.1 实验平台 | 第46页 |
| 4.4.2 实验环境及参数设置 | 第46-47页 |
| 4.4.3 实验数据集 | 第47页 |
| 4.4.4 模型参数量及尺寸结果分析 | 第47-48页 |
| 4.4.5 BFlops结果分析 | 第48-49页 |
| 4.4.6 检测速度结果分析 | 第49-50页 |
| 4.4.7 mAP结果分析 | 第50-55页 |
| 4.4.8 AR结果分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 结论与展望 | 第59-61页 |
| 5.1 结论 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 :作者在攻读硕士学位期间发表的论文 | 第65页 |
