首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于卷积神经网络的行人检测方法研究

摘要第4-5页
Abstract第5页
第1章 绪论第9-16页
    1.1 课题研究背景及意义第9-10页
    1.2 国内外研究现状第10-14页
        1.2.1 卷积神经网络研究现状第10-11页
        1.2.2 行人检测算法研究现状第11-14页
    1.3 本文主要研究内容与组织结构第14-16页
第2章 卷积网络结构设计准则与优化方法简介第16-35页
    2.1 引言第16页
    2.2 常见的卷积网络应用结构第16-17页
    2.3 特征提取网络设计准则第17-23页
        2.3.1 单元层种类及作用第17-20页
        2.3.2 常见网络结构设计方法第20-23页
    2.4 输出层与损失函数层设计准则第23-26页
        2.4.1 回归问题损失函数设计第23-24页
        2.4.2 二分类问题损失函数设计第24-25页
        2.4.3 多分类问题损失函数设计第25-26页
    2.5 深度神经网络的正则化方法第26-29页
    2.6 深度神经网络的优化方法第29-34页
        2.6.1 迷你批梯度下降算法第29-30页
        2.6.2 自适应学习率梯度下降法第30-32页
        2.6.3 不同类型优化参数的影响第32-34页
    2.7 本章小结第34-35页
第3章 基于Faster RCNN方法的行人检测第35-54页
    3.1 引言第35页
    3.2 Faster RCNN方法简介第35-38页
    3.3 行人数据集选择与算法性能评价方法第38-39页
    3.4 基于Faster RCNN方法的行人检测网络结构设计第39-47页
        3.4.1 特征提取网络设计第39-40页
        3.4.2 区域生成网络设计第40-42页
        3.4.3 候选窗口分类器设计第42-44页
        3.4.4 损失函数设置第44-46页
        3.4.5 非极大值抑制算法流程第46-47页
    3.5 网络的训练设置第47-48页
    3.6 实验结果分析第48-53页
        3.6.1 与传统检测方法效果的对比第48-49页
        3.6.2 网络参数与特征图可视化第49-51页
        3.6.3 检测结果示例与误差来源分析第51-53页
    3.7 本章小结第53-54页
第4章 多尺度区域生成网络设计与实现第54-64页
    4.1 引言第54页
    4.2 感受野和特征图抽象比对区域生成网络的影响第54-57页
        4.2.1 滑窗卷积核大小和感受野之间的关系第54-56页
        4.2.2 输入图像分辨率和特征图抽象比之间的关系第56页
        4.2.3 输入图像分辨率和滑窗卷积核大小对于检测结果的影响第56-57页
    4.3 多尺度区域生成网络第57-61页
        4.3.1 多尺度方案设计与选择第57-58页
        4.3.2 实现细节第58-61页
    4.4 实验验证及结果分析第61-63页
    4.5 本章小结第63-64页
第5章 卷积网络压缩加速方法的研究第64-76页
    5.1 引言第64页
    5.2 网络参数量和理论计算量分析第64-65页
    5.3 全连接层的压缩加速第65-67页
        5.3.1 全连接层级联和矩阵奇异值分解的关系第65-66页
        5.3.2 全连接层的近似奇异值分解第66-67页
    5.4 卷积层的压缩加速第67-70页
        5.4.1 卷积层级联与张量Tucker-2 分解的关系第67-69页
        5.4.2 Tucker-2 分解的实现第69-70页
    5.5 压缩算法的实现第70-71页
    5.6 实验验证及结果分析第71-75页
        5.6.1 单全连接层压缩第71-72页
        5.6.2 单卷积层压缩第72-74页
        5.6.3 多层整体压缩第74-75页
    5.7 本章小结第75-76页
结论第76-77页
参考文献第77-82页
致谢第82页

论文共82页,点击 下载论文
上一篇:烤后片烟储存过程中微生物多样性及变化动态
下一篇:卤水—氨法制备纳米氢氧化镁及重质氧化镁的工艺研究