| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究背景及意义 | 第12-18页 |
| 1.1.1 大数据时代的到来 | 第12-13页 |
| 1.1.2 数据抽样技术 | 第13-14页 |
| 1.1.3 数据抽样技术在深度学习图像目标检测中的应用 | 第14-16页 |
| 1.1.4 数据抽样技术在大数据处理和图像目标检测中的应用需求 | 第16-18页 |
| 1.2 常见数据抽样技术 | 第18-20页 |
| 1.2.1 简单随机抽样、系统抽样与整群抽样 | 第18-19页 |
| 1.2.2 分层抽样 | 第19-20页 |
| 1.3 数据抽样技术的优势和面临挑战 | 第20-22页 |
| 1.3.1 数据抽样技术的优势 | 第21页 |
| 1.3.2 数据抽样技术在大数据处理中的技术挑战 | 第21-22页 |
| 1.3.3 数据抽样技术在图像目标检测中的技术挑战 | 第22页 |
| 1.4 本文工作 | 第22-23页 |
| 1.5 论文结构 | 第23-26页 |
| 第二章 相关研究 | 第26-36页 |
| 2.1 分布式分层抽样算法 | 第26-29页 |
| 2.1.1 基于大规模数据集的可扩展算法 | 第26页 |
| 2.1.2 真实应用场景下的数据抽样算法 | 第26-28页 |
| 2.1.3 当前基于分布式的分层抽样算法 | 第28-29页 |
| 2.2 基于数据抽样思想的深度学习算法 | 第29-34页 |
| 2.2.1 基于简单随机抽样的样本调整算法 | 第29-30页 |
| 2.2.2 基于数据特征的样本生成算法 | 第30-31页 |
| 2.2.3 基于级联组合的样本移除算法 | 第31页 |
| 2.2.4 在线难样本挖掘算法 | 第31-34页 |
| 2.3 本章小结 | 第34-36页 |
| 第三章 高效可扩展的分布式数据分层抽样算法DSS | 第36-50页 |
| 3.1 引言 | 第36-37页 |
| 3.2 基本思想 | 第37-40页 |
| 3.2.1 分层抽样请求的形式化定义 | 第37页 |
| 3.2.2 串行分层抽样请求响应算法 | 第37-38页 |
| 3.2.3 分布式环境下的抽样代表性 | 第38-39页 |
| 3.2.4 抽样样本代表性的评估方式 | 第39-40页 |
| 3.3 算法描述 | 第40-44页 |
| 3.3.1 分布式算法Spark-SQE | 第41-42页 |
| 3.3.2 改进的分布式算法DSS | 第42-44页 |
| 3.4 实验结果与分析 | 第44-48页 |
| 3.4.1 实验设置 | 第44-45页 |
| 3.4.2 结果分析 | 第45-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 分层在线难样本挖掘算法S-OHEM | 第50-64页 |
| 4.1 引言 | 第50-51页 |
| 4.2 基本思想 | 第51-53页 |
| 4.2.1 基于候选区域的目标检测算法的误差定义与定位精度 | 第51-52页 |
| 4.2.2 图像目标检测的评估方式 | 第52-53页 |
| 4.3 算法描述 | 第53-57页 |
| 4.3.1 设计动机 | 第53-55页 |
| 4.3.2 分层约束定义 | 第55-56页 |
| 4.3.3 分层难样本挖掘算法 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-62页 |
| 4.4.1 实验设置 | 第58-59页 |
| 4.4.2 结果分析 | 第59-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 结束语 | 第64-68页 |
| 5.1 研究工作总结 | 第64-65页 |
| 5.2 未来工作展望 | 第65-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 作者在学期间取得的学术成果 | 第76-77页 |
| 作者在学期间参加的主要科研工作 | 第77页 |
