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 |