| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17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 | 第11-14页 |
| 1.2.1 传统目标检测算法 | 第11-12页 |
| 1.2.2 深度学习目标检测算法 | 第12-14页 |
| 1.3 本文的主要工作 | 第14-17页 |
| 1.3.1 本文的研究内容 | 第14-15页 |
| 1.3.2 本文的组织安排 | 第15-17页 |
| 第2章 相关工作基础 | 第17-36页 |
| 2.1 检测算法基本框架及主要难点 | 第17-19页 |
| 2.1.1 基本框架 | 第17-18页 |
| 2.1.2 主要难点 | 第18-19页 |
| 2.2 目标检测的关键组成 | 第19-25页 |
| 2.2.1 特征提取 | 第20-21页 |
| 2.2.2 分类器 | 第21-22页 |
| 2.2.3 边框回归 | 第22-23页 |
| 2.2.4 感兴趣区域提取 | 第23-24页 |
| 2.2.5 非极大值抑制(NMS) | 第24-25页 |
| 2.3 区域卷积神经网络目标检测算法分析 | 第25-30页 |
| 2.3.1 R-CNN | 第25页 |
| 2.3.2 SPP-Net | 第25-27页 |
| 2.3.3 FastR-CNN | 第27-28页 |
| 2.3.4 FasterR-CNN | 第28-30页 |
| 2.4 基于回归的目标检测算法分析 | 第30-34页 |
| 2.4.1 YOLO | 第30-32页 |
| 2.4.2 SSD | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 多层卷积特征融合与在线难例样本挖掘的目标检测 | 第36-50页 |
| 3.1 引言 | 第36-37页 |
| 3.2 特征融合的难例挖掘检测算法 | 第37-43页 |
| 3.2.1 多层卷积特征融合 | 第38-41页 |
| 3.2.2 在线难例样本挖掘 | 第41-43页 |
| 3.3 实验结果与分析 | 第43-48页 |
| 3.3.1 实验环境 | 第43-44页 |
| 3.3.2 数据集与评价标准 | 第44页 |
| 3.3.3 实验结果定性分析 | 第44-46页 |
| 3.3.4 实验结果定量分析 | 第46-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 基于全卷积网络的目标先验多尺度定位检测 | 第50-60页 |
| 4.1 引言 | 第50-51页 |
| 4.2 检测算法框架介绍 | 第51-55页 |
| 4.2.1 多尺度定位 | 第52-53页 |
| 4.2.2 目标先验知识 | 第53页 |
| 4.2.3 结合目标先验的检测 | 第53-55页 |
| 4.3 模型训练 | 第55页 |
| 4.4 实验结果与分析 | 第55-59页 |
| 4.4.1 实验环境 | 第55-56页 |
| 4.4.2 PASCALVOC | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60-61页 |
| 5.2 未来工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 硕士期间发表的学术论文和参与的科研项目 | 第67-68页 |
| 一、发表的学术论文 | 第67页 |
| 二、参与的科研项目 | 第67-68页 |
| 致谢 | 第68-69页 |