| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 行人检测研究背景及意义 | 第7-8页 |
| 1.2 行人检测原理及研究现状 | 第8-11页 |
| 1.2.1 行人检测的原理 | 第8页 |
| 1.2.2 研究现状 | 第8-11页 |
| 1.3 论文主要研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 2 基于深度学习的行人检测算法研究与实现 | 第13-25页 |
| 2.1 Faster R-CNN算法研究 | 第13-17页 |
| 2.2 SSD算法研究 | 第17-20页 |
| 2.3 算法实现与结果分析 | 第20-24页 |
| 2.3.1 数据集和评价指标 | 第20-22页 |
| 2.3.2 算法实现与结果分析 | 第22-24页 |
| 2.4 小结 | 第24-25页 |
| 3 遗漏负样本挖掘算法 | 第25-35页 |
| 3.1 难分样本挖掘的研究现状 | 第25-28页 |
| 3.1.1 自助法 | 第25-26页 |
| 3.1.2 在线挖掘难分样本方法 | 第26-28页 |
| 3.2 遗漏负样本挖掘算法 | 第28-30页 |
| 3.3 实验 | 第30-34页 |
| 3.3.1 实验结果与分析 | 第30-33页 |
| 3.3.2 阈值T的分析 | 第33-34页 |
| 3.4 小结 | 第34-35页 |
| 4 多层特征融合 | 第35-49页 |
| 4.1 多层特征融合的研究现状 | 第35-38页 |
| 4.1.1 ION算法 | 第35-37页 |
| 4.1.2 “RPN+BF”网络 | 第37-38页 |
| 4.2 多层特征融合的行人检测方法 | 第38-43页 |
| 4.2.1 RPN网络的多层特征融合 | 第39-41页 |
| 4.2.2 Fast R-CNN网络的多层特征融合 | 第41-43页 |
| 4.3 实验 | 第43-48页 |
| 4.3.1 实验设计 | 第43-45页 |
| 4.3.2 结果分析 | 第45-48页 |
| 4.4 小结 | 第48-49页 |
| 5 总结与展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录 | 第56页 |