| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 研究现状 | 第16-19页 |
| 1.2.1 深度学习研究现状 | 第16-17页 |
| 1.2.2 运动目标检测算法研究现状 | 第17-19页 |
| 1.2.3 行人结构化描述研究现状 | 第19页 |
| 1.3 论文研究内容与结构安排 | 第19-21页 |
| 第二章 深度学习理论与平台搭建 | 第21-38页 |
| 2.1 深度学习概述和基础理论 | 第21-25页 |
| 2.1.1 深度学习概述 | 第21页 |
| 2.1.2 深度神经网络 | 第21-25页 |
| 2.2 卷积神经网络理论基础 | 第25-29页 |
| 2.2.1 核心特点 | 第26-27页 |
| 2.2.2 网络层类型 | 第27-29页 |
| 2.3 卷积神经网络结构分析 | 第29-37页 |
| 2.3.1 AlexNet | 第30页 |
| 2.3.2 VGG | 第30-31页 |
| 2.3.3 ResNet | 第31-34页 |
| 2.3.4 DenseNet | 第34-35页 |
| 2.3.5 SENet | 第35-37页 |
| 2.4 深度学习平台搭建 | 第37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于深度学习的监控视频运动目标检测 | 第38-52页 |
| 3.1 YOLO运动目标检测算法 | 第38-42页 |
| 3.1.1 检测流程 | 第39-40页 |
| 3.1.2 网络结构 | 第40-41页 |
| 3.1.3 网络模型训练 | 第41-42页 |
| 3.2 YOLOv2运动目标检测算法 | 第42-47页 |
| 3.2.1 检测流程 | 第43-45页 |
| 3.2.2 DarkNet-19 | 第45-46页 |
| 3.2.3 细粒度特征 | 第46-47页 |
| 3.3 监控视频运动目标检测网络设计及实现 | 第47-51页 |
| 3.3.1 数据集准备 | 第47-48页 |
| 3.3.2 改进检测网络 | 第48-49页 |
| 3.3.3 实验对比与分析 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于深度学习的行人部件检测 | 第52-67页 |
| 4.1 R-CNN系列目标检测算法 | 第52-56页 |
| 4.2 基于Faster R-CNN行人部件检测算法 | 第56-59页 |
| 4.2.1 RPN (Region Proposal Networks) | 第56-57页 |
| 4.2.2 网络结构 | 第57-58页 |
| 4.2.3 网络训练方式 | 第58-59页 |
| 4.3 基于R-FCN行人部件检测算法 | 第59-62页 |
| 4.3.1 位置敏感得分maps | 第60页 |
| 4.3.2 位置敏感RoI池化 | 第60-61页 |
| 4.3.3 检测流程 | 第61-62页 |
| 4.4 行人部件检测网络设计和实验分析 | 第62-66页 |
| 4.4.1 行人部件检测网络设计 | 第62-63页 |
| 4.4.2 检测网络模型实验对比与分析 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 基于深度学习的行人精细化识别 | 第67-77页 |
| 5.1 基于多任务学习的行人多属性分类 | 第67-71页 |
| 5.2 颜色属性分类 | 第71-73页 |
| 5.3 上衣、包分类 | 第73-76页 |
| 5.3.1 上衣属性分类 | 第73-75页 |
| 5.3.2 包属性分类 | 第75-76页 |
| 5.4 本章小结 | 第76-77页 |
| 第六章 监控视频运动目标检测及行人结构化描述系统 | 第77-82页 |
| 6.1 系统架构 | 第77-79页 |
| 6.2 系统展示 | 第79-81页 |
| 6.3 本章小结 | 第81-82页 |
| 第七章 总结与展望 | 第82-85页 |
| 7.1 论文总结 | 第82-84页 |
| 7.2 论文展望 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 致谢 | 第90-91页 |
| 攻读硕士研究生期间研究成果 | 第91-92页 |
| 学位论文评阅及答辩情况表 | 第92页 |