| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 目标检测与识别的关键技术及研究现状 | 第12-15页 |
| 1.2.1 目标检测的关键技术及研究现状 | 第12-14页 |
| 1.2.2 目标识别的关键技术及研究现状 | 第14-15页 |
| 1.3 本文主要内容及结构安排 | 第15-17页 |
| 第2章 目标检测识别与深度学习 | 第17-35页 |
| 2.1 目标候选位置生成算法 | 第18-25页 |
| 2.1.1 暴力搜索方法 | 第18-19页 |
| 2.1.2 选择性搜索算法 | 第19-23页 |
| 2.1.3 二值规范化梯度检测 | 第23-25页 |
| 2.2 目标检测识别方法 | 第25-29页 |
| 2.2.1 梯度直方图特征 | 第25-27页 |
| 2.2.2 支持向量机分类器 | 第27-29页 |
| 2.3 基于深度学习的目标检测与识别方法 | 第29-33页 |
| 2.3.1 CNN提取特征及分类 | 第29-30页 |
| 2.3.2 CNN生成候选目标区域 | 第30-31页 |
| 2.3.3 CNN目标检测识别 | 第31-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第3章 CNN目标检测算法及优化 | 第35-53页 |
| 3.1 目标检测数据集 | 第35-37页 |
| 3.1.1 PASCAL VOC2007数据集 | 第35-36页 |
| 3.1.2 课题采集的数据 | 第36-37页 |
| 3.2 CNN基本层结构 | 第37-42页 |
| 3.2.1 卷积层 | 第37-38页 |
| 3.2.2 下采样层 | 第38-39页 |
| 3.2.3 激活函数层 | 第39-42页 |
| 3.3 反向传播参数更新算法 | 第42-44页 |
| 3.3.1 卷积层的反向传播 | 第43页 |
| 3.3.2 下采样层的残差反向传播 | 第43-44页 |
| 3.4 CNN目标检测算法优化 | 第44-51页 |
| 3.4.1 多RPN融合策略 | 第44-47页 |
| 3.4.2 ROI Pooling层 | 第47-48页 |
| 3.4.3 目标位置回归对数抑制算法 | 第48-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第4章 CNN网络的降维优化 | 第53-67页 |
| 4.1 网络参数初始化及参数优化方法 | 第53-57页 |
| 4.1.1 随机初始化 | 第53-55页 |
| 4.1.2 参数优化 | 第55-57页 |
| 4.2 CNN避免过拟合的策略 | 第57-60页 |
| 4.2.1 Dropout层 | 第57-59页 |
| 4.2.2 正则化 | 第59-60页 |
| 4.3 全连接层的稀疏降维实现 | 第60-66页 |
| 4.3.1 卷积神经网络参数分布 | 第60-62页 |
| 4.3.2 主成分分析与稀疏主成分分析 | 第62-63页 |
| 4.3.3 Sparse PCA前向与后向传播算法 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 目标检测与识别实验仿真及分析 | 第67-77页 |
| 5.1 实验流程 | 第67-71页 |
| 5.1.1 数据采集及标注 | 第68页 |
| 5.1.2 网络模型预训练 | 第68-70页 |
| 5.1.3 网络模型训练技巧 | 第70-71页 |
| 5.2 网络结构及实验结果分析 | 第71-75页 |
| 5.2.1 优化的CNN网络结构 | 第71-73页 |
| 5.2.2 实验结果显示及分析 | 第73-75页 |
| 5.3 本章小结 | 第75-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |