基于神经网络的行人检测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文结构安排 | 第13-14页 |
| 第二章 理论基础与相关工作 | 第14-30页 |
| 2.1 神经网络概述 | 第14-18页 |
| 2.1.1 前向传播 | 第14-15页 |
| 2.1.2 后向传播 | 第15-18页 |
| 2.2 候选窗口结合窗口判别方法 | 第18-25页 |
| 2.2.1 预训练网络 | 第19-20页 |
| 2.2.2 候选窗口生成方法 | 第20-23页 |
| 2.2.3 窗口判别方法 | 第23-25页 |
| 2.3 回归参数检测方法 | 第25-28页 |
| 2.3.1 预训练网络 | 第25-26页 |
| 2.3.2 回归参数 | 第26-28页 |
| 2.3.3 优化方法 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于回归窗口和全局概率的行人检测 | 第30-42页 |
| 3.1 方法思想与方法框架 | 第31-32页 |
| 3.2 回归窗口设计 | 第32-36页 |
| 3.2.1 网络传播方式 | 第33-34页 |
| 3.2.2 正负样本平衡 | 第34-35页 |
| 3.2.3 窗口尺度归一化损失函数 | 第35-36页 |
| 3.3 窗口的全局概率估计 | 第36-38页 |
| 3.3.1 网络结构设计 | 第36-38页 |
| 3.3.2 概率估计损失函数 | 第38页 |
| 3.4 基于回归窗口和全局概率的行人检测方法 | 第38-41页 |
| 3.4.1 基于回归窗口和全局概率的网络结构设计 | 第38-39页 |
| 3.4.2 回归窗口网络和全局概率网络的梯度传播 | 第39页 |
| 3.4.3 全局概率增强回归窗口准确度 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 方法参数讨论与性能分析 | 第42-59页 |
| 4.1 行人检测评价标准 | 第42-44页 |
| 4.2 实验设置 | 第44-48页 |
| 4.2.1 随机梯度下降 | 第44-46页 |
| 4.2.2 实验参数 | 第46-48页 |
| 4.3 方法参数讨论 | 第48-54页 |
| 4.3.1 回归窗口参数 | 第48-51页 |
| 4.3.2 非极大值抑制参数 | 第51-52页 |
| 4.3.3 全局概率参数讨论 | 第52-53页 |
| 4.3.4 最终检测结果 | 第53-54页 |
| 4.4 方法性能比较 | 第54-58页 |
| 4.4.1 准确度比较 | 第54-55页 |
| 4.4.2 速度比较 | 第55-56页 |
| 4.4.3 结果分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 总结和展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 附录A 网络结构参数 | 第66-72页 |
| 附录B 部分回归窗口源代码 | 第72-77页 |
| 附录C 部分全局概率源代码 | 第77-80页 |
| 攻读硕士学位期间取得的科研成果 | 第80-82页 |
| 致谢 | 第82页 |
