| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 传统的目标检测算法 | 第10-11页 |
| 1.2.2 基于卷积神经网络的目标检测算法 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 基于深度学习的目标检测算法及理论基础 | 第16-29页 |
| 2.1 深度学习相关理论 | 第16页 |
| 2.2 卷积神经网络 | 第16-22页 |
| 2.2.1 卷积神经网络概念 | 第16-17页 |
| 2.2.2 卷积神经网络层级结构 | 第17-22页 |
| 2.3 循环神经网络 | 第22-24页 |
| 2.3.1 循环网络的模型 | 第23-24页 |
| 2.3.2 循环网络的训练算法 | 第24页 |
| 2.4 目标检测算法 | 第24-28页 |
| 2.4.0 目标检测算法简介 | 第25页 |
| 2.4.1 基于区域提名的目标检测算法 | 第25-27页 |
| 2.4.2 基于回归的目标检测算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于特征映射学习的小目标检测算法 | 第29-44页 |
| 3.1 Logo目标检测的现状分析 | 第29-30页 |
| 3.2 Faster R-CNN的目标检测原理 | 第30-32页 |
| 3.2.1 Faster R-CNN的网络流程 | 第30-31页 |
| 3.2.2 RPN网络 | 第31-32页 |
| 3.3 生成对抗网络的高分辨特征映射原理 | 第32-33页 |
| 3.4 基于改进的Faster R-CNN的Logo目标检测算法 | 第33-42页 |
| 3.4.1 网络的结构设计 | 第33-35页 |
| 3.4.2 网络的训练过程 | 第35-39页 |
| 3.4.3 实验结果分析 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于多特征融合学习的目标检测算法 | 第44-63页 |
| 4.1 基于多尺度局部特征学习算法分析 | 第44-48页 |
| 4.1.1 多尺度局部特征提取算法 | 第44-47页 |
| 4.1.2 结果分析 | 第47-48页 |
| 4.2 基于全局上下文特征学习算法分析 | 第48-50页 |
| 4.2.1 全局上下文特征的提取算法 | 第48-49页 |
| 4.2.2 结果分析 | 第49-50页 |
| 4.3 基于滚动卷积和循环神经网络的目标检测算法 | 第50-62页 |
| 4.3.1 网络结构设计 | 第51-52页 |
| 4.3.2 多尺度局部特征提取 | 第52-55页 |
| 4.3.3 全局上下文特征提取 | 第55-56页 |
| 4.3.4 实验结果和分析 | 第56-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文总结 | 第63-64页 |
| 5.2 未来展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68-69页 |
| 致谢 | 第69页 |