| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-21页 |
| 1.1 课题背景及研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 本文采用的方法介绍 | 第14-19页 |
| 1.3.1 深度学习 | 第14页 |
| 1.3.2 卷积神经网络 | 第14-17页 |
| 1.3.3 二阶及高阶特征信息 | 第17-18页 |
| 1.3.4 多层特征融合 | 第18-19页 |
| 1.4 本文主要研究内容 | 第19-21页 |
| 第2章 基于区域建议的目标检测算法 | 第21-27页 |
| 2.1 Faster-RCNN方法 | 第21-23页 |
| 2.2 FPN方法 | 第23-25页 |
| 2.3 实验数据集简介 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 多层特征融合策略的研究 | 第27-36页 |
| 3.1 基于FASTER-RCNN的多层特征融合 | 第27-28页 |
| 3.2 基于特征金字塔网络的多层特征融合方法 | 第28-30页 |
| 3.3 实现细节及训练策略 | 第30-33页 |
| 3.3.1 基于Faster-RCNN的多层特征融合实现细节 | 第30页 |
| 3.3.2 基于FPN的多层特征融合实现细节 | 第30-31页 |
| 3.3.3 训练策略 | 第31-33页 |
| 3.4 实现结果及分析 | 第33-35页 |
| 3.4.1 对比实验结果 | 第33-34页 |
| 3.4.2 融合特征层选择的影响 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于高阶特征的位置敏感的核函数表达 | 第36-54页 |
| 4.1 高阶特征的应用方法 | 第36-37页 |
| 4.2 基于高阶特征的位置敏感的核函数特征表达的实现 | 第37-42页 |
| 4.2.1 位置权重网络的提出 | 第37-39页 |
| 4.2.2 实现细节与训练策略 | 第39-42页 |
| 4.3 多尺度位置权重网络的研究 | 第42-44页 |
| 4.3.1 多尺度位置权重网络的提出 | 第42-43页 |
| 4.3.2 多尺度位置权重网络的实现 | 第43页 |
| 4.3.3 多尺度位置权重网络的实现细节和训练策略 | 第43-44页 |
| 4.4 基于MLKP方法的消去实验 | 第44-45页 |
| 4.4.1 高阶特征的消去实验 | 第44-45页 |
| 4.4.2 位置权重网络的消去实验 | 第45页 |
| 4.5 多尺度位置权重网络的验证试验 | 第45-47页 |
| 4.6 基于MLKP的对比实验及实验分析 | 第47-53页 |
| 4.6.1 在PASCALVOC2007上的实验结果 | 第47-49页 |
| 4.6.2 在PASCALVOC2012上的实验结果 | 第49-51页 |
| 4.6.3 在MSCOCO上的实验结果 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |
