基于卷积神经网络的混合监督物体检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 主要英文缩写与中英文对照表 | 第7-10页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要贡献和内容安排 | 第12-15页 |
| 2 相关技术综述 | 第15-24页 |
| 2.1 基于全监督的物体检测算法 | 第15-19页 |
| 2.2 基于弱监督的物体检测算法 | 第19-21页 |
| 2.3 基于混合监督的物体检测算法 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 混合监督物体检测框架设计 | 第24-42页 |
| 3.1 引言 | 第24-25页 |
| 3.2 混合监督检测器网络结构 | 第25-38页 |
| 3.3 损失函数 | 第38-41页 |
| 3.4 网络训练方法 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 基于知识迁移和课程学习的训练方法 | 第42-50页 |
| 4.1 引言 | 第42页 |
| 4.2 基于知识迁移的训练方法 | 第42-44页 |
| 4.3 基于课程学习的训练方法 | 第44-48页 |
| 4.4 本章小结 | 第48-50页 |
| 5 实验结果与分析 | 第50-60页 |
| 5.1 数据集与评价标准 | 第50-52页 |
| 5.2 实验环境与实现过程 | 第52-53页 |
| 5.3 实验结果与分析 | 第53-58页 |
| 5.4 本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 附录一 攻读硕士期间研究成果 | 第70页 |
