基于深度学习的目标检测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文主要内容和结构安排 | 第13-15页 |
| 第二章 目标检测基础知识 | 第15-25页 |
| 2.1 目标检测算法原理 | 第15-16页 |
| 2.1.1 基于滑动窗模型的检测算法 | 第15-16页 |
| 2.1.2 基于候选窗模型的检测算法 | 第16页 |
| 2.2 典型的图像特征 | 第16-20页 |
| 2.2.1 Haar-like特征 | 第17-18页 |
| 2.2.2 HoG特征 | 第18-19页 |
| 2.2.3 LBP特征 | 第19-20页 |
| 2.3 典型分类器 | 第20-23页 |
| 2.3.1 支持向量机 | 第20-22页 |
| 2.3.2 AdaBoost算法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 一种新的卷积神经网络输入提取算法 | 第25-37页 |
| 3.1 提取图像候选集 | 第25-29页 |
| 3.1.1 算法基本思想 | 第25-26页 |
| 3.1.2 图像层次结构表达 | 第26页 |
| 3.1.3 算法具体流程 | 第26-29页 |
| 3.2 对图像候选集进行优化 | 第29-33页 |
| 3.2.1 指标说明 | 第30-31页 |
| 3.2.3 多阈值跨度优化流程 | 第31-33页 |
| 3.3 一种新的填充候选窗算法 | 第33-36页 |
| 3.3.1 算法提出依据 | 第33-34页 |
| 3.3.2 算法具体流程 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 目标检测系统仿真及结果分析 | 第37-55页 |
| 4.1 卷积神经网络模型 | 第37-47页 |
| 4.1.1 深度学习概述 | 第37-38页 |
| 4.1.2 卷积神经网络 | 第38-39页 |
| 4.1.3 卷积神经网络框架caffe | 第39-45页 |
| 4.1.4 本文使用的卷积神经网络模型 | 第45-47页 |
| 4.2 训练分类器 | 第47-48页 |
| 4.3 实验结果说明及对比 | 第48-54页 |
| 4.3.1 目标检测所用数据库介绍 | 第48页 |
| 4.3.2 实验结果评价标准 | 第48-49页 |
| 4.3.3 实验过程 | 第49-50页 |
| 4.3.4 实验结果与性能对比 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 论文工作总结 | 第55-56页 |
| 5.2 进一步研究工作 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |
