| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究内容及结构 | 第14-16页 |
| 第2章 相关基础知识概述 | 第16-31页 |
| 2.1 引言 | 第16页 |
| 2.2 传统目标检测一般步骤 | 第16-30页 |
| 2.2.1 图像预处理的简单介绍 | 第17-21页 |
| 2.2.2 传统目标检测中的特征提取 | 第21-26页 |
| 2.2.3 传统目标检测中的经典分类器 | 第26-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 深度学习与神经网络 | 第31-44页 |
| 3.1 神经网络基础 | 第31-35页 |
| 3.1.1 逻辑回归 | 第31-32页 |
| 3.1.2 逻辑回归的代价函数 | 第32页 |
| 3.1.3 梯度下降法 | 第32-33页 |
| 3.1.4 神经网络表示 | 第33-34页 |
| 3.1.5 前向传播和反向传播 | 第34-35页 |
| 3.2 深层神经网络中的过拟合 | 第35-38页 |
| 3.2.1 L2正则化 | 第36-37页 |
| 3.2.2 Dropout | 第37-38页 |
| 3.3 深层神经网络优化算法 | 第38-40页 |
| 3.3.1 mini-batch | 第38页 |
| 3.3.2 动量梯度下降 | 第38-39页 |
| 3.3.3 Adam优化算法 | 第39-40页 |
| 3.4 卷积神经网络 | 第40-43页 |
| 3.4.1 卷积神经网络结构 | 第40-41页 |
| 3.4.2 卷积层 | 第41-42页 |
| 3.4.3 池化层 | 第42页 |
| 3.4.4 卷积神经网络的特点 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 改进的基于深度学习卷积神经网络的目标检测算法 | 第44-52页 |
| 4.1 目标检测算法结构 | 第44-48页 |
| 4.1.1 原始图像进行特征提取 | 第45页 |
| 4.1.2 区域建议网络 | 第45-47页 |
| 4.1.3 ROI池化层 | 第47页 |
| 4.1.4 多任务训练 | 第47-48页 |
| 4.2 改进的特征提取 | 第48-51页 |
| 4.2.1 VGG网络进行特征提取 | 第48-49页 |
| 4.2.2 ResNet进行特征提取 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 实验结果与分析 | 第52-57页 |
| 5.1 实验硬件环境以及深度学习框架 | 第52-53页 |
| 5.2 PASCALVOC数据集 | 第53页 |
| 5.3 实验结果分析 | 第53-56页 |
| 5.3.1 实验结果 | 第53-55页 |
| 5.3.2 实验对比分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |