| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-18页 |
| 1.3.1 基于深度学习的人群密度计数 | 第14-15页 |
| 1.3.2 深度卷积神经网络模型压缩 | 第15-16页 |
| 1.3.3 本文研究内容章序 | 第16-18页 |
| 第二章 深度学习人群密度估计 | 第18-24页 |
| 2.1 神经网络发展 | 第18-19页 |
| 2.2 深度学习图像识别研究 | 第19页 |
| 2.3 深度学习在密度估计中的应用 | 第19-21页 |
| 2.4 深度学习网络压缩研究分析 | 第21-24页 |
| 第三章 基于深度学习的人群密度估计研究 | 第24-42页 |
| 3.1 引言 | 第24-25页 |
| 3.2 基于级联多任务神经网络的中低密度人群计数 | 第25-31页 |
| 3.2.1 算法流程 | 第25页 |
| 3.2.2 级联多任务神经网络 | 第25-29页 |
| 3.2.3 实验结果及分析 | 第29-31页 |
| 3.3 基于多列有效卷积核神经网络的高密度人群计数 | 第31-41页 |
| 3.3.1 算法流程 | 第31-32页 |
| 3.3.2 图像预处理 | 第32-34页 |
| 3.3.3 多列有效卷积核神经网络 | 第34-36页 |
| 3.3.4 实验结果及分析 | 第36-41页 |
| 3.4 小结 | 第41-42页 |
| 第四章 深度学习网络压缩研究 | 第42-51页 |
| 4.1 引言 | 第42页 |
| 4.2 算法流程 | 第42-43页 |
| 4.3 深度学习网络压缩 | 第43-50页 |
| 4.3.1 卷积层初始化参数的设置 | 第43-44页 |
| 4.3.2 激活函数的选择 | 第44-47页 |
| 4.3.3 输出特征图通道设置 | 第47页 |
| 4.3.4 实验结果 | 第47-49页 |
| 4.3.5 实验分析 | 第49-50页 |
| 4.4 小结 | 第50-51页 |
| 第五章 总结和展望 | 第51-54页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-61页 |
| 攻读学位期间发表的学术论文 | 第61页 |