| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 深度学习技术 | 第11-12页 |
| 1.2.2 目标检测技术 | 第12-13页 |
| 1.2.3 目标属性分析 | 第13页 |
| 1.2.4 主要困难 | 第13-14页 |
| 1.3 本文完成的工作 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第二章 深度学习理论与相关技术 | 第16-37页 |
| 2.1 引言 | 第16页 |
| 2.2 深度学习的数学理论 | 第16-24页 |
| 2.2.1 多层感知机 | 第16-19页 |
| 2.2.2 卷积神经网络 | 第19-24页 |
| 2.3 多任务学习 | 第24-25页 |
| 2.4 深度学习在目标检测中的应用 | 第25-31页 |
| 2.4.1 R-CNN | 第26-28页 |
| 2.4.2 SPP-Net | 第28页 |
| 2.4.3 Fast R-CNN | 第28-29页 |
| 2.4.4 Faster R-CNN | 第29-30页 |
| 2.4.5 SSD | 第30-31页 |
| 2.5 深度学习在属性分析中的应用 | 第31-32页 |
| 2.6 手势交互相关技术 | 第32-34页 |
| 2.6.1 手势检测技术 | 第33页 |
| 2.6.2 手势识别技术 | 第33-34页 |
| 2.6.3 手势关键点定位技术 | 第34页 |
| 2.7 车牌检测相关技术 | 第34-36页 |
| 2.8 本章小结 | 第36-37页 |
| 第三章 端到端的目标检测与属性分析算法 | 第37-48页 |
| 3.1 引言 | 第37-38页 |
| 3.2 算法整体框架 | 第38-39页 |
| 3.3 候选区域生成网络 | 第39-41页 |
| 3.3.1 锚方法 | 第39-40页 |
| 3.3.2 损失函数 | 第40-41页 |
| 3.4 感兴趣区域池化 | 第41-43页 |
| 3.4.1 特征区域映射 | 第41-42页 |
| 3.4.2 空间金字塔池化 | 第42-43页 |
| 3.5 目标检测 | 第43-44页 |
| 3.5.1 目标识别与外边框回归 | 第43页 |
| 3.5.2 非极大化抑制算法 | 第43-44页 |
| 3.6 属性分析 | 第44-46页 |
| 3.6.1 类别属性 | 第44-45页 |
| 3.6.2 值属性 | 第45页 |
| 3.6.3 序列属性 | 第45-46页 |
| 3.7 端到端算法的优势 | 第46页 |
| 3.8 参数训练 | 第46-47页 |
| 3.9 本章小结 | 第47-48页 |
| 第四章 端到端的目标检测与属性分析算法在手势交互中的应用 | 第48-65页 |
| 4.1 引言 | 第48-49页 |
| 4.2 多阶段的手势分析算法 | 第49-50页 |
| 4.2.1 算法介绍 | 第49页 |
| 4.2.2 算法缺陷 | 第49-50页 |
| 4.3 端到端的手势分析算法 | 第50-52页 |
| 4.3.1 算法介绍 | 第50-51页 |
| 4.3.2 算法优势 | 第51-52页 |
| 4.4 实验 | 第52-62页 |
| 4.4.1 实验数据 | 第52-54页 |
| 4.4.2 实验与分析 | 第54-62页 |
| 4.4.3 实验总结 | 第62页 |
| 4.5 手势交互应用 | 第62-64页 |
| 4.5.1 系统设计 | 第62页 |
| 4.5.2 系统界面 | 第62-63页 |
| 4.5.3 交互流程 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 端到端的目标检测与属性分析算法在车牌检测中的应用 | 第65-73页 |
| 5.1 引言 | 第65-66页 |
| 5.2 端到端的多方向车牌检测算法 | 第66-68页 |
| 5.2.1 旋转矩形建模 | 第66-67页 |
| 5.2.2 算法整体框架 | 第67-68页 |
| 5.3 实验 | 第68-72页 |
| 5.3.1 实验数据 | 第68页 |
| 5.3.2 实验与分析 | 第68-71页 |
| 5.3.3 实验总结 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附件 | 第84页 |