深度学习在行人检测中的研究与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文研究背景 | 第9页 |
| 1.2 行人检测与深度学习发展概述 | 第9-11页 |
| 1.3 常用行人检测数据库 | 第11-14页 |
| 1.4 本文主要研究内容及章节安排 | 第14-15页 |
| 第二章 基于统计学习的行人检测方法 | 第15-35页 |
| 2.1 滑动窗口法 | 第15-16页 |
| 2.2 特征描述算子 | 第16-18页 |
| 2.3 梯度方向直方图 | 第18-26页 |
| 2.3.1 HOG的主要思想 | 第19-20页 |
| 2.3.2 HOG算法实现过程 | 第20-26页 |
| 2.4 支持向量机分类器 | 第26-30页 |
| 2.4.1 线性可分支持向量机 | 第26-29页 |
| 2.4.2 线性支持向量机 | 第29-30页 |
| 2.5 基于HOG+SVM的行人检测 | 第30-33页 |
| 2.6 小结 | 第33-35页 |
| 第三章 深度学习技术研究 | 第35-57页 |
| 3.1 人工神经网络 | 第35-45页 |
| 3.1.1 感知器与激活函数 | 第35-36页 |
| 3.1.2 神经网络模型及其表达能力 | 第36-38页 |
| 3.1.3 梯度下降 | 第38-41页 |
| 3.1.4 误差逆传播算法 | 第41-44页 |
| 3.1.5 动量更新与随机失活 | 第44-45页 |
| 3.2 神经网络与深度学习的发展 | 第45-50页 |
| 3.3 卷积神经网络 | 第50-56页 |
| 3.3.1 卷积层 | 第51-54页 |
| 3.3.2 汇聚层 | 第54页 |
| 3.3.3 全连接层 | 第54-55页 |
| 3.3.4 CNN网络结构分析 | 第55-56页 |
| 3.4 小结 | 第56-57页 |
| 第四章 基于深度学习的行人检测 | 第57-73页 |
| 4.1 候选区域获取 | 第57-63页 |
| 4.1.1 RPN网络结构 | 第58-59页 |
| 4.1.2 锚点机制 | 第59-60页 |
| 4.1.3 边框回归 | 第60-62页 |
| 4.1.4 RPN损失函数 | 第62-63页 |
| 4.2 行人特征提取与可视化 | 第63-65页 |
| 4.2.1 行人特征提取 | 第63-64页 |
| 4.2.2 特征提取模型可视化 | 第64-65页 |
| 4.3 网络训练与性能评价 | 第65-69页 |
| 4.3.1 网络训练细节 | 第66-67页 |
| 4.3.2 仿真与性能评价 | 第67-69页 |
| 4.4 行人检测系统演示 | 第69-72页 |
| 4.5 小结 | 第72-73页 |
| 第五章 总结和展望 | 第73-75页 |
| 5.1 论文总结 | 第73-74页 |
| 5.2 未来研究展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 硕士期间发表论文情况 | 第83页 |
