基于深度学习的快速目标检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状分析 | 第8-11页 |
| 1.2.1 传统基于人工特征的目标检测 | 第8-9页 |
| 1.2.2 基于深度学习的目标检测方法 | 第9-11页 |
| 1.3 目前国内外研究所存在的问题 | 第11-12页 |
| 1.4 本文研究内容与章节安排 | 第12-13页 |
| 第二章 相关工作基础 | 第13-31页 |
| 2.1 基于传统视觉算法的目标检测 | 第13-17页 |
| 2.1.1 目标定位 | 第13-14页 |
| 2.1.2 特征提取 | 第14-15页 |
| 2.1.3 分类器分类 | 第15-17页 |
| 2.2 基于深度学习的目标检测 | 第17-25页 |
| 2.2.1 人工神经网络 | 第17-19页 |
| 2.2.2 卷积神经网络 | 第19-22页 |
| 2.2.3 反向传播 | 第22-23页 |
| 2.2.4 SoftMax分类器 | 第23-25页 |
| 2.3 主流CNN模型简介 | 第25-27页 |
| 2.4 结合分割算法的深度学习目标检测框架 | 第27-29页 |
| 2.5 数据集 | 第29-31页 |
| 第三章 基于卷积神经网络模型的快速识别 | 第31-42页 |
| 3.1 卷积神经网络的分析 | 第33-35页 |
| 3.1.1 卷积神经网络的深度 | 第33-34页 |
| 3.1.2 卷积神经网络的宽度 | 第34-35页 |
| 3.2 卷积核滤波器的筛选 | 第35-37页 |
| 3.2.1 平均响应值ARE的计算 | 第35-37页 |
| 3.2.2 基于ARE阈值的卷积核滤波器筛选策略 | 第37页 |
| 3.3 重构模型及训练细节 | 第37-39页 |
| 3.3.1 重构模型 | 第37-38页 |
| 3.3.2 训练模型细节 | 第38-39页 |
| 3.4 实验及结果分析 | 第39-41页 |
| 3.4.1 验证实验 | 第39页 |
| 3.4.2 多数据集实验 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于多尺度的端到端目标检测 | 第42-47页 |
| 4.1 端到端的目标检测框架 | 第42-44页 |
| 4.1.1 多尺度端到端框架结构设计 | 第42页 |
| 4.1.2 训练流程 | 第42-43页 |
| 4.1.3 多尺度卷积映射特征的检测流程 | 第43-44页 |
| 4.1.4 训练模型细节 | 第44页 |
| 4.2 实验结果 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 发表论文和科研情况说明 | 第52-53页 |
| 致谢 | 第53页 |
