| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 深度卷积神经网络 | 第14-28页 |
| 2.1 网络结构 | 第14-19页 |
| 2.1.1 卷积层 | 第14-16页 |
| 2.1.2 池化层 | 第16页 |
| 2.1.3 激活函数 | 第16-19页 |
| 2.1.3.1 Sigmoid激活函数 | 第17页 |
| 2.1.3.2 ReLU激活函数 | 第17-18页 |
| 2.1.3.3 LeakyReLU激活函数 | 第18-19页 |
| 2.1.3.4 Softmax激活函数 | 第19页 |
| 2.1.4 全连接层 | 第19页 |
| 2.2 损失函数 | 第19-21页 |
| 2.2.1 均方差损失函数 | 第19-20页 |
| 2.2.2 交叉熵损失函数 | 第20-21页 |
| 2.2.3 中心损失函数 | 第21页 |
| 2.3 优化方法 | 第21-24页 |
| 2.3.1 带动量的梯度下降算法 | 第22页 |
| 2.3.2 自适应梯度下降算法 | 第22-23页 |
| 2.3.3 自适应学习率算法 | 第23页 |
| 2.3.4 自适应矩估计算法 | 第23-24页 |
| 2.4 训练和正则化方法 | 第24-27页 |
| 2.4.1 L1和L2正则化 | 第24-25页 |
| 2.4.2 随机失活 | 第25-26页 |
| 2.4.3 批规范化 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于深度学习的目标检测 | 第28-49页 |
| 3.1 目标检测中的特征提取 | 第28-34页 |
| 3.1.1 VGGNet | 第29-30页 |
| 3.1.2 ResNet | 第30-31页 |
| 3.1.3 MobileNet | 第31-34页 |
| 3.2 实时的目标检测算法 | 第34-38页 |
| 3.2.1 网络结构 | 第34-35页 |
| 3.2.2 算法检测原理 | 第35-36页 |
| 3.2.3 算法的配置与训练 | 第36-38页 |
| 3.3 改进的实时目标检测算法 | 第38-41页 |
| 3.3.1 MobileNet与SSD算法的融合 | 第38-39页 |
| 3.3.2 ResNet50与SSD算法的融合 | 第39-40页 |
| 3.3.3 InceptionV3与SSD算法的融合 | 第40-41页 |
| 3.4 实验对比和结果分析 | 第41-48页 |
| 3.4.1 目标检测评价指标 | 第41-43页 |
| 3.4.2 实验数据集 | 第43-44页 |
| 3.4.3 实验过程与结果 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于焦点损失的飞机检测 | 第49-61页 |
| 4.1 不平衡问题 | 第49-50页 |
| 4.2 特征金字塔 | 第50-52页 |
| 4.3 焦点损失 | 第52-54页 |
| 4.4 网络模型 | 第54-57页 |
| 4.4.1 RetinaNet | 第54-56页 |
| 4.4.2 FasterRetinaNet | 第56-57页 |
| 4.5 实验结果与对比分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 全文总结与展望 | 第61-63页 |
| 5.1 全文工作总结 | 第61页 |
| 5.2 后续工作展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的成果 | 第68页 |