| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 课题研究现状及分析 | 第10-14页 |
| 1.2.1 卷积神经网络研究现状 | 第10-12页 |
| 1.2.2 物体检测研究现状 | 第12-13页 |
| 1.2.3 文献综述简析 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文的结构 | 第15-16页 |
| 第2章 区域卷积神经网络方法原理分析 | 第16-29页 |
| 2.1 候选区域生成 | 第16-21页 |
| 2.1.1 基于分组的候选区域生成方法 | 第16-18页 |
| 2.1.2 基于窗口打分的候选区域生成方法 | 第18-19页 |
| 2.1.3 基于网络的候选区域生成方法 | 第19-20页 |
| 2.1.4 几种方法的比较 | 第20-21页 |
| 2.2 特征提取 | 第21-26页 |
| 2.2.1 卷积神经网络概述 | 第21-24页 |
| 2.2.2 区域单独特征提取 | 第24页 |
| 2.2.3 区域共享特征提取 | 第24-26页 |
| 2.3 分类和定位 | 第26-28页 |
| 2.3.1 分类器和回归器 | 第26-27页 |
| 2.3.2 多任务损失 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 区域卷积神经网络方法的研究与改进 | 第29-42页 |
| 3.1 改进的区域卷积神经网络方法 | 第29-32页 |
| 3.1.1 区域卷积神经网络方法的特点 | 第29-30页 |
| 3.1.2 改进后整体结构 | 第30-31页 |
| 3.1.3 训练策略 | 第31-32页 |
| 3.2 改进方法在基准网络模型中的实现 | 第32-35页 |
| 3.2.1 在VGG网络中的实现 | 第32-33页 |
| 3.2.2 在残差网络中的实现 | 第33-35页 |
| 3.3 改进的多层特征合并策略 | 第35-37页 |
| 3.4 改进的上下文学习结构 | 第37-39页 |
| 3.5 引入的包围框优化策略 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 实验结果对比及分析 | 第42-56页 |
| 4.1 实验条件介绍 | 第42-44页 |
| 4.1.1 实验设置及实验环境 | 第42页 |
| 4.1.2 数据集介绍 | 第42-43页 |
| 4.1.3 评价指标 | 第43-44页 |
| 4.2 改进方法的实验对比 | 第44-50页 |
| 4.2.1 网络训练参数设置 | 第44页 |
| 4.2.2 多层特征对候选框生成质量的影响 | 第44-47页 |
| 4.2.3 多层特征对物体检测结果的影响 | 第47-48页 |
| 4.2.4 上下文学习和包围框优化对物体检测结果的影响 | 第48-49页 |
| 4.2.5 与一些文献的对比 | 第49-50页 |
| 4.3 改进方法的物体检测结果分析 | 第50-53页 |
| 4.3.1 对物体不同特性的敏感程度分析 | 第50-52页 |
| 4.3.2 物体检测结果分布分析 | 第52-53页 |
| 4.4 改进方法的时间性能分析 | 第53-54页 |
| 4.5 ILSVRC数据集实验结果 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录 | 第62-65页 |
| 攻读学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |