卷积神经网络的研究与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题的研究背景及意义 | 第12-14页 |
| 1.1.1 人脸识别的研究意义 | 第12-13页 |
| 1.1.2 行人检测的研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 人脸识别的研究现状 | 第14-15页 |
| 1.2.2 行人检测的研究现状 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17页 |
| 1.4 本论文的组织结构 | 第17-19页 |
| 第二章 卷积神经网络的结构及算法原理 | 第19-32页 |
| 2.1 神经网络和深度神经网络概述 | 第19页 |
| 2.2 人工神经网络 | 第19-26页 |
| 2.2.1 单个神经元 | 第19-22页 |
| 2.2.2 多层感知器 | 第22-23页 |
| 2.2.3 反向传播算法 | 第23-26页 |
| 2.3 卷积神经网络的结构与原理 | 第26-29页 |
| 2.3.1 卷积神经网络的结构 | 第27-29页 |
| 2.3.2 卷积神经网络的训练过程 | 第29页 |
| 2.4 深度神经网络计算框架Caffe简介 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于人脸识别的卷积神经网络研究 | 第32-44页 |
| 3.1 Deep ID网络介绍 | 第32-35页 |
| 3.1.1 Deep ID人脸图片预处理 | 第32-33页 |
| 3.1.2 Deep ID算法流程与网络结构 | 第33页 |
| 3.1.3 Deep ID算法数据集与训练 | 第33-35页 |
| 3.2 卷积神经网络的结构与改进 | 第35-39页 |
| 3.2.1 卷积神经网络的结构 | 第35-36页 |
| 3.2.2 人脸关键点检测 | 第36-37页 |
| 3.2.3 特征提取网络 | 第37-39页 |
| 3.3 模型的训练 | 第39-40页 |
| 3.3.1 特征提取网络的训练 | 第39-40页 |
| 3.4 实验步骤 | 第40-43页 |
| 3.4.1 人脸矫正与局部人脸剪切 | 第40-41页 |
| 3.4.2 三个基础网络的训练 | 第41-42页 |
| 3.4.3 分类网络的训练 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 人脸识别实验及分析 | 第44-54页 |
| 4.1 实验数据 | 第44页 |
| 4.2 模型的训练 | 第44页 |
| 4.3 实验结果与分析 | 第44-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于卷积神经网络的行人检测研究 | 第54-70页 |
| 5.1 三个基本概念 | 第54-58页 |
| 5.1.1 mAP | 第55-56页 |
| 5.1.2 边界框回归 | 第56-58页 |
| 5.2 基于CNN的目标检测 | 第58-60页 |
| 5.3 SSD模型 | 第60-65页 |
| 5.3.1 SSD目标检测模型介绍 | 第60-63页 |
| 5.3.2 SSD的训练过程 | 第63-65页 |
| 5.4 基于行人检测的卷积神经网络的结构与原理 | 第65-67页 |
| 5.4.1 default Box的改进 | 第65-66页 |
| 5.4.2 网络结构的改进 | 第66-67页 |
| 5.5 行人检测模型的训练过程 | 第67-69页 |
| 5.5.1 匹配策略 | 第67-68页 |
| 5.5.2 训练的数据集 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 行人检测模型的仿真与分析 | 第70-75页 |
| 6.1 实验数据 | 第70-71页 |
| 6.2 实验效果 | 第71-74页 |
| 6.2.1 与现有流行算法的对比 | 第72-74页 |
| 6.3 本章小结 | 第74-75页 |
| 第七章 总结与展望 | 第75-77页 |
| 7.1 本文总结 | 第75页 |
| 7.2 未来展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士期间取得的成果 | 第83页 |
