基于回归方法的物体检测算法研究与改进
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状及分析 | 第11-16页 |
| 1.2.1 卷积神经网络研究现状 | 第11-13页 |
| 1.2.2 物体检测技术研究现状 | 第13-15页 |
| 1.2.3 文献综述简析 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-18页 |
| 第2章 基于回归方法的物体检测算法介绍 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 基于回归方法的相关理论 | 第18-22页 |
| 2.2.1 多任务学习 | 第18-19页 |
| 2.2.2 Softmax回归 | 第19页 |
| 2.2.3 非极大值抑制 | 第19-21页 |
| 2.2.4 全卷积网络 | 第21页 |
| 2.2.5 全局平均池化 | 第21-22页 |
| 2.3 基于回归方法的物体检测代表算法 | 第22-23页 |
| 2.4 基准算法相关理论 | 第23-24页 |
| 2.4.1 结构化策略 | 第23-24页 |
| 2.4.2 单元模块 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于回归方法的物体检测算法设计与实现 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 物体检测过程 | 第25-27页 |
| 3.3 扩张卷积 | 第27-29页 |
| 3.4 中间层特征融合 | 第29-34页 |
| 3.4.1 基准网络结构 | 第29-31页 |
| 3.4.2 越层连接 | 第31-32页 |
| 3.4.3 闸门机制 | 第32-34页 |
| 3.5 训练策略 | 第34-37页 |
| 3.5.1 损失函数 | 第34-36页 |
| 3.5.2 超参数选择 | 第36页 |
| 3.5.3 参数初始化 | 第36-37页 |
| 3.6 包围框过滤策略 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第4章 实验结果及分析 | 第39-55页 |
| 4.1 引言 | 第39-40页 |
| 4.2 实验条件介绍 | 第40页 |
| 4.3 数据集介绍 | 第40-41页 |
| 4.4 实验结果对比 | 第41-48页 |
| 4.4.1 扩张卷积的影响 | 第41-42页 |
| 4.4.2 中间层特征融合的影响 | 第42页 |
| 4.4.3 损失函数的影响 | 第42-44页 |
| 4.4.4 加权的包围框过滤策略的影响 | 第44-45页 |
| 4.4.5 与基准方法的对比 | 第45-47页 |
| 4.4.6 与其他方法的对比 | 第47-48页 |
| 4.5 可用性实验 | 第48-51页 |
| 4.5.1 主流物体检测算法实验环境对比 | 第48-49页 |
| 4.5.2 移动设备实现算法情况 | 第49-51页 |
| 4.6 实验分析 | 第51-54页 |
| 4.6.1 性能结果分析 | 第51-52页 |
| 4.6.2 迁移学习分析 | 第52页 |
| 4.6.3 后处理分析 | 第52页 |
| 4.6.4 使用其他数据集 | 第52-53页 |
| 4.6.5 错误结果分析 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间发表的学术论文 | 第60-62页 |
| 致谢 | 第62页 |
