| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-10页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 深度学习目标识别研究现状 | 第8-9页 |
| 1.3 本文主要内容 | 第9-10页 |
| 2 传统目标识别方法 | 第10-20页 |
| 2.1 预处理 | 第10-12页 |
| 2.2 特征提取 | 第12-17页 |
| 2.2.1 SIFT (Scale-invariant feature transform) | 第12-14页 |
| 2.2.2 LBP (Local Binary Patterns) | 第14-15页 |
| 2.2.3 HOG (Histogram of Oriented Gradient) | 第15-16页 |
| 2.2.4 基于核回归(Kernel Regression)的特征提取 | 第16-17页 |
| 2.3 特征分类识别 | 第17-19页 |
| 2.3.1 SVM分类器 | 第17-19页 |
| 2.3.2 Softmax分类器 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 深度学习目标识别相关理论 | 第20-32页 |
| 3.1 神经元模型 | 第20-21页 |
| 3.2 神经网络与深度学习 | 第21-23页 |
| 3.3 自编码器 | 第23-26页 |
| 3.3.1 原始自编码器 | 第23-24页 |
| 3.3.2 稀疏自编码器 | 第24-25页 |
| 3.3.3 降噪自编码器 | 第25-26页 |
| 3.4 卷积神经网络 | 第26-28页 |
| 3.5 深度学习的参数更新策略 | 第28-31页 |
| 3.6 本章小结 | 第31-32页 |
| 4 基于无损约束降噪自编码(LD-AE)的图像识别 | 第32-46页 |
| 4.1 基于无损约束降噪的自编码器(LD-AE) | 第32-35页 |
| 4.1.1 降噪自编码(DAE)的LD优化 | 第33页 |
| 4.1.2 稀疏自编码(SAE)的LD优化 | 第33-34页 |
| 4.1.3 LD-AE的参数更新策略 | 第34-35页 |
| 4.2 实验对比与分析 | 第35-45页 |
| 4.2.1 MNIST数据集上的测试 | 第37-39页 |
| 4.2.2 Yale-B数据集上的测试 | 第39-42页 |
| 4.2.3 微光数据上的测试 | 第42-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 基于卷积神经网络SSD的红外目标检测识别 | 第46-62页 |
| 5.1 SSD (Single Shot MultiBox Detector)网络 | 第46-49页 |
| 5.1.1 特征提取网络VGG16 | 第46-47页 |
| 5.1.2 候选框选取机制 | 第47-48页 |
| 5.1.3 位置回归与置信度计算 | 第48-49页 |
| 5.2 mini-SSD实时红外目标检测 | 第49-53页 |
| 5.2.1 mini-SSD红外目标检测算法 | 第49-51页 |
| 5.2.2 数据的标记和增广 | 第51-52页 |
| 5.2.3 深度学习网络的训练 | 第52-53页 |
| 5.3 mini-SSD+LD-AE目标识别 | 第53-54页 |
| 5.4 实验对比与性能分析 | 第54-61页 |
| 5.4.1 mini-SSD与SSD性能对比 | 第55-58页 |
| 5.4.2 mini-SSD与传统目标识别方法在行人检测上的对比 | 第58-60页 |
| 5.4.3 mini-SSD+LD-AE目标识别效果 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 论文总结 | 第62-63页 |
| 6.2 后期工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
