基于深度学习的目标检测研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 车辆检测技术的现状 | 第11-13页 |
| 1.2.2 深度学习技术现状 | 第13-15页 |
| 1.3 主要工作及章节安排 | 第15-17页 |
| 1.3.1 本文主要研究工作 | 第15页 |
| 1.3.2 论文的章节安排 | 第15-17页 |
| 第二章 车辆检测方法的论述 | 第17-29页 |
| 2.1 基于类Haar滤波器的车辆检测 | 第17-22页 |
| 2.2 基于GIST特征和SVM分类的车辆检测 | 第22-24页 |
| 2.3 基于R-CNN的车辆检测 | 第24-26页 |
| 2.4 基于FastR-CNN的车辆检测 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于卷积神经网络的暗光条件下车辆检测 | 第29-46页 |
| 3.1 卷积神经网络模型 | 第29-33页 |
| 3.1.1 神经网络的数学模型 | 第29-31页 |
| 3.1.2 卷积神经网络 | 第31-33页 |
| 3.2 暗光条件下的车辆检测算法 | 第33-38页 |
| 3.2.1 图像是否是暗光判断 | 第35-36页 |
| 3.2.2 图像增强算法 | 第36-37页 |
| 3.2.3 图像去噪算法 | 第37-38页 |
| 3.3 基于卷积神经网络的车辆检测方法 | 第38-42页 |
| 3.3.1 车辆检测网络模型 | 第39-40页 |
| 3.3.2 代价函数 | 第40-42页 |
| 3.4 实验结果与分析 | 第42-45页 |
| 3.4.1 数据集 | 第42页 |
| 3.4.2 实验结果和分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于卷积网络的车辆检测定位 | 第46-58页 |
| 4.1 基于卷积神经网络的车辆定位设计思路 | 第46-47页 |
| 4.2 改进的LocNet卷积网络车辆定位算法 | 第47-53页 |
| 4.2.1 车辆候选区域的生成 | 第47-48页 |
| 4.2.2 LocNet卷积网络 | 第48-51页 |
| 4.2.3 改进的LocNet车辆定位算法 | 第51-53页 |
| 4.3 实验结果及分析 | 第53-56页 |
| 4.3.1 实验数据集 | 第53-54页 |
| 4.3.2 实验结果和分析 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 基于卷积网络的多类别多尺度车辆检测 | 第58-74页 |
| 5.1 SSD卷积神经网络 | 第58-60页 |
| 5.2 改进的SSD车辆检测 | 第60-62页 |
| 5.3 多尺度多类别车辆检测的实现 | 第62-69页 |
| 5.3.1 样本预处理 | 第62-64页 |
| 5.3.2 模型设计 | 第64-65页 |
| 5.3.3 多尺度车辆目标处理 | 第65页 |
| 5.3.4 特征提取的网络设计 | 第65-67页 |
| 5.3.5 网络的训练 | 第67-69页 |
| 5.4 实验结果及分析 | 第69-73页 |
| 5.4.1 多类别车辆数据集 | 第69-70页 |
| 5.4.2 实验结果和分析 | 第70-73页 |
| 5.5 本章小结 | 第73-74页 |
| 总结和展望 | 第74-76页 |
| 工作总结 | 第74页 |
| 工作展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 发表的学术论文及研究成果 | 第82页 |
