| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 难点和挑战 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 相关技术简介 | 第14-22页 |
| 2.1 目标检测技术概述 | 第14-19页 |
| 2.1.1 候选窗口选择 | 第14-15页 |
| 2.1.2 特征提取 | 第15-16页 |
| 2.1.3 分类器的设计 | 第16-17页 |
| 2.1.4 基于深度学习的物体检测 | 第17-19页 |
| 2.2 图像检索技术概述 | 第19-21页 |
| 2.2.1 传统特征图像检索 | 第20页 |
| 2.2.2 基于深度特征的图像检索 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于深度学习的行人附属物检测和检索技术 | 第22-38页 |
| 3.1 基于深度学习的行人附属物检测技术 | 第22-31页 |
| 3.1.1 基于深度卷积网络的图像特征提取 | 第23-25页 |
| 3.1.2 基于Inception结构的候选区域生成网络 | 第25-28页 |
| 3.1.3 基于局部区域上下文信息的分类和回归网络 | 第28-31页 |
| 3.2 基于深度学习的两阶段行人附属物检索技术 | 第31-37页 |
| 3.2.1 基于深度哈希特征的快速检索 | 第31-34页 |
| 3.2.2 基于距离度量网络的精细检索 | 第34-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 行人附属物检测与检索系统设计与实现 | 第38-44页 |
| 4.1 系统环境 | 第38-39页 |
| 4.1.1 硬件环境 | 第38页 |
| 4.1.2 软件环境 | 第38-39页 |
| 4.2 系统需求分析 | 第39-40页 |
| 4.2.1 系统功能分析 | 第39-40页 |
| 4.3 主要功能模块接口与设计 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 行人附属物检测与检索系统性能分析 | 第44-53页 |
| 5.1 系统性能评价标准 | 第44-45页 |
| 5.2 实验数据介绍 | 第45页 |
| 5.3 网络训练细节 | 第45-47页 |
| 5.4 实验结果与分析 | 第47-52页 |
| 5.4.1 行人附属物检测性能分析 | 第47-49页 |
| 5.4.2 行人附属物检索性能分析 | 第49-51页 |
| 5.4.3 行人附属物检测与检索系统结果分析 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的主要研究成果 | 第59页 |