| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 神经网络基础理论和相关技术 | 第16-27页 |
| 2.1 人工神经网络 | 第16-20页 |
| 2.1.1 单个神经元 | 第16页 |
| 2.1.2 神经网络模型 | 第16-18页 |
| 2.1.3 反向传播算法 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-23页 |
| 2.2.1 卷积神经网络结构 | 第20-21页 |
| 2.2.2 卷积神经网络训练 | 第21页 |
| 2.2.3 图像的卷积操作 | 第21-22页 |
| 2.2.4 池化层 | 第22-23页 |
| 2.3 卷积神经网络的关键算法 | 第23-26页 |
| 2.3.1 局部连接 | 第23-24页 |
| 2.3.2 权值共享 | 第24页 |
| 2.3.3 Dropout | 第24-25页 |
| 2.3.4 批归一化 | 第25页 |
| 2.3.5 Softmax分类器 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 目标检测关键技术 | 第27-34页 |
| 3.1 基于图像处理的目标检测方法 | 第27-28页 |
| 3.2 基于区域的卷积神经网络 | 第28-30页 |
| 3.2.1 选择性搜索算法 | 第28-29页 |
| 3.2.2 RCNN训练 | 第29-30页 |
| 3.3 空间金字塔池化网络 | 第30-31页 |
| 3.4 Fast RCNN | 第31-33页 |
| 3.4.1 感兴趣区域池化 | 第32页 |
| 3.4.2 物体类别与位置确定 | 第32页 |
| 3.4.3 Fast RCNN训练 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 改进的卷积神经网络 | 第34-55页 |
| 4.1 问题定义 | 第34页 |
| 4.2 基于ResNet 101的Faster RCNN模型 | 第34-42页 |
| 4.2.1 特征提取网络ResNet | 第35-38页 |
| 4.2.2 区域建议网络 | 第38页 |
| 4.2.3 后处理步骤 | 第38-41页 |
| 4.2.4 Faster RCNN训练 | 第41-42页 |
| 4.3 激活函数及改进 | 第42-47页 |
| 4.3.1 现有激活函数及其局限性 | 第42-45页 |
| 4.3.2 ReLU-Softplus激活函数 | 第45-46页 |
| 4.3.3 实验结果与对比分析 | 第46-47页 |
| 4.4 池化函数及改进 | 第47-51页 |
| 4.4.1 现有池化函数及其局限性 | 第47-48页 |
| 4.4.2 动态自适应池化算法 | 第48页 |
| 4.4.3 实验结果与对比分析 | 第48-51页 |
| 4.5 损失函数及优化 | 第51-53页 |
| 4.5.1 现有损失函数及其局限性 | 第51-52页 |
| 4.5.2 损失函数的优化 | 第52-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 模型运行与测试 | 第55-69页 |
| 5.1 模型运行环境 | 第55-56页 |
| 5.2 实验数据准备 | 第56-61页 |
| 5.2.1 数据标注 | 第57-58页 |
| 5.2.2 数据预处理 | 第58-59页 |
| 5.2.3 交叉验证 | 第59-60页 |
| 5.2.4 评测标准 | 第60-61页 |
| 5.3 结果与分析 | 第61-68页 |
| 5.3.1 物体类别分类效果对比 | 第62-64页 |
| 5.3.2 物体位置预测效果对比 | 第64-66页 |
| 5.3.3 不同组成结构的物体识别效果对比 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76页 |