| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 课题背景 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 传统的目标检测 | 第16-17页 |
| 1.2.2 基于深度学习的目标检测 | 第17-19页 |
| 1.3 目标检测发展趋势 | 第19-21页 |
| 1.4 本文主要工作以及结构安排 | 第21-24页 |
| 第2章 相关算法基础 | 第24-46页 |
| 2.1 深度学习 | 第24-30页 |
| 2.1.1 卷积神经网络(Convolutional Neural Networks) | 第25-28页 |
| 2.1.2 可变形的卷积网络和池化 | 第28-30页 |
| 2.2 深度卷积特征提取网络 | 第30-35页 |
| 2.2.1 VGG-Net | 第30-32页 |
| 2.2.2 ResNet | 第32-34页 |
| 2.2.3 GoogLeNet | 第34-35页 |
| 2.3 基于深度学习的目标检测算法 | 第35-44页 |
| 2.3.1 基于Region Proposal的深度学习目标检测算法 | 第36-41页 |
| 2.3.2 基于回归的深度学习目标检测算法 | 第41-44页 |
| 2.4 评价指标 | 第44-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 一种基于图像分类卷积特征的目标检测网络 | 第46-64页 |
| 3.1 研究动机 | 第46-47页 |
| 3.2 基于HOG的人物检测实验 | 第47-50页 |
| 3.3 基于OP算法和卷积特征的目标检测 | 第50-59页 |
| 3.3.1 基于图表示的图像分割 | 第51-53页 |
| 3.3.2 候选区域提取 | 第53-55页 |
| 3.3.3 网络预训练和卷积特征提取 | 第55-56页 |
| 3.3.4 检测算法框架 | 第56-58页 |
| 3.3.5 不同方案实现细节 | 第58-59页 |
| 3.4 测试数据和实验结果 | 第59-62页 |
| 3.5 结论 | 第62-64页 |
| 第4章 一种层次化多尺度的深度目标检测算法 | 第64-76页 |
| 4.1 多尺度目标检测原理 | 第64-65页 |
| 4.2 本章算法结构 | 第65-73页 |
| 4.2.1 层次化的RPN子网络 | 第66-70页 |
| 4.2.2 分类回归子网络 | 第70-71页 |
| 4.2.3 损失函数和ROI采样 | 第71-73页 |
| 4.3 测试结果 | 第73-74页 |
| 4.4 本章总结 | 第74-76页 |
| 第5章 基于可变形卷积和改进NMS的目标检测 | 第76-88页 |
| 5.1 卷积网络的局限性分析 | 第76-78页 |
| 5.2 卷积网络的改进 | 第78-79页 |
| 5.3 非极大值抑制算法的缺点 | 第79-80页 |
| 5.4 非极大值抑制算法的改进 | 第80-81页 |
| 5.5 改进的网络结构 | 第81-85页 |
| 5.5.1 基于VGG和可变形卷积的目标检测网络 | 第82-84页 |
| 5.5.2 基于ResNet_v1_101和可变形卷积的目标检测网络 | 第84-85页 |
| 5.6 实验结果 | 第85-87页 |
| 5.7 总结 | 第87-88页 |
| 第6章 结论与展望 | 第88-92页 |
| 6.1 结论 | 第88-89页 |
| 6.2 未来工作展望 | 第89-92页 |
| 参考文献 | 第92-96页 |
| 攻读硕士学位期间主要的研究成果 | 第96-98页 |
| 致谢 | 第98页 |
