基于深度学习的目标检测技术研究及其应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外研究现状 | 第15-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 本文的研究工作及结构安排 | 第17-19页 |
| 1.3.1 主要研究工作 | 第17-18页 |
| 1.3.2 论文的结构安排 | 第18-19页 |
| 第2章 基本原理概述 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 目标检测基本概念和原理 | 第19-21页 |
| 2.2.1 目标检测基本概念 | 第19-20页 |
| 2.2.2 目标检测基本原理 | 第20-21页 |
| 2.3 传统的目标检测方法 | 第21-26页 |
| 2.3.1 Haar特征+Adaboost算法 | 第21-23页 |
| 2.3.2 HOG特征与SVM算法 | 第23-25页 |
| 2.3.3 DPM模型 | 第25-26页 |
| 2.4 深度学习基本原理 | 第26-30页 |
| 2.4.1 深度学习基础知识 | 第26-27页 |
| 2.4.2 卷积神经网络 | 第27-29页 |
| 2.4.3 深度学习和机器学习 | 第29-30页 |
| 2.5 常见的深度学习框架 | 第30-34页 |
| 2.5.1 Caffe框架 | 第30-31页 |
| 2.5.2 TensorFlow框架 | 第31-33页 |
| 2.5.3 Torch框架 | 第33页 |
| 2.5.4 Theano框架 | 第33-34页 |
| 2.5.5 MXNet框架 | 第34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 基于区域生成的目标检测方法的研究 | 第35-48页 |
| 3.1 引言 | 第35页 |
| 3.2 基于区域生成的目标检测方法 | 第35-43页 |
| 3.2.1 方法概述 | 第35-37页 |
| 3.2.2 候选区域选择和处理 | 第37-38页 |
| 3.2.3 卷积神经网络设计 | 第38-39页 |
| 3.2.4 分类器设计 | 第39-43页 |
| 3.3 实验过程及结果分析 | 第43-47页 |
| 3.3.1 实验数据集介绍 | 第43-45页 |
| 3.3.2 实验设置 | 第45页 |
| 3.3.3 实验结果与分析 | 第45-47页 |
| 3.4 小结 | 第47-48页 |
| 第4章 基于残差学习的目标检测方法研究 | 第48-57页 |
| 4.1 引言 | 第48页 |
| 4.2 实时的目标检测方法 | 第48-51页 |
| 4.3 基于残差学习的目标检测方法设计 | 第51-54页 |
| 4.3.1 残差学习的概念 | 第51-52页 |
| 4.3.2 Re-YOLO目标检测方法设计 | 第52-54页 |
| 4.4 实验结果与分析 | 第54-56页 |
| 4.5 小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 一、工作总结 | 第57-58页 |
| 二、研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录A 攻读硕士学位期间发表的专利著作 | 第63-64页 |
| 附录B 攻读硕士学位期间参与的科研项目 | 第64-65页 |
| 致谢 | 第65页 |
