| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 选题缘由和意义 | 第15-16页 |
| 1.2 运动目标检测和数字手写体识别的国内外现状 | 第16-17页 |
| 1.2.1 运动目标检测的研究进展 | 第16页 |
| 1.2.2 数字手写体识别的研究进展 | 第16-17页 |
| 1.3 本文主要工作 | 第17-19页 |
| 1.3.1 运动目标检测的主要工作 | 第17-18页 |
| 1.3.2 数字手写体识别的主要工作 | 第18-19页 |
| 1.4 内容安排 | 第19-21页 |
| 第二章 混合高斯模型综述 | 第21-25页 |
| 2.1 混合高斯模型 | 第21-22页 |
| 2.2 Zivkovic的混合高斯模型 | 第22-23页 |
| 2.3 小结 | 第23-25页 |
| 第三章 改进的混合动静态背景的分割方法：BHZ-Mo G | 第25-29页 |
| 3.1 背景图像的块分类 | 第25-27页 |
| 3.2 结合块直方图特征的分割算法BHZ-Mo G | 第27-28页 |
| 3.3 BHZ-Mo G更新算法 | 第28页 |
| 3.4 小结 | 第28-29页 |
| 第四章 实验与分析 | 第29-35页 |
| 4.1 实验评价指标 | 第29-30页 |
| 4.1.1 查全率与查准率 | 第29页 |
| 4.1.2 最佳F1-score | 第29-30页 |
| 4.1.3 标准测试集SABS | 第30页 |
| 4.2 实验与分析 | 第30-33页 |
| 4.2.1 评价指标分析 | 第30-32页 |
| 4.2.2 实验效果分析 | 第32页 |
| 4.2.3 运行时间分析 | 第32-33页 |
| 4.3 小结 | 第33-35页 |
| 第五章 卷积神经网络模型综述 | 第35-47页 |
| 5.1 卷积神经网络的原理 | 第35-41页 |
| 5.1.1 多层前向神经网络 | 第35-39页 |
| 5.1.2 卷积神经网络 | 第39-41页 |
| 5.2 卷积神经网络设计 | 第41-44页 |
| 5.2.1 卷积神经网络容量设计 | 第41-42页 |
| 5.2.2 非线性激活函数的设计 | 第42页 |
| 5.2.3 下采样设计 | 第42-43页 |
| 5.2.4 损失函数设计 | 第43页 |
| 5.2.5 优化算法设计 | 第43-44页 |
| 5.3 卷积神经网络的计算技巧 | 第44-45页 |
| 5.3.1 批量学习 | 第44页 |
| 5.3.2 样本洗牌 | 第44页 |
| 5.3.3 归一化输入 | 第44页 |
| 5.3.4 初始化权值 | 第44-45页 |
| 5.4 小结 | 第45-47页 |
| 第六章 基于实例学习的卷积神经网络参数调整方法 | 第47-59页 |
| 6.1 Sadowsky分布与概率解释 | 第47-50页 |
| 6.1.1 Sadowsky分布 | 第47-49页 |
| 6.1.2 Sadowsky分布的概率解释 | 第49-50页 |
| 6.2 基于实例的卷积神经网络学习模型 | 第50-56页 |
| 6.2.1 Sadowsky分布的搜索 | 第50-52页 |
| 6.2.2 基于Sadowsky分布的神经网络参数调整算法 | 第52-53页 |
| 6.2.3 基于实例的卷积神经网络学习模型 | 第53-56页 |
| 6.3 小结 | 第56-59页 |
| 第七章 基于实例的卷积神经网络仿真与实验 | 第59-65页 |
| 7.1 卷积神经网络实验 | 第59-60页 |
| 7.1.2 卷积神经网络的参数设置 | 第59页 |
| 7.1.3 卷积神经网络的容量设计 | 第59-60页 |
| 7.2 基于实例的卷积神经网络实验 | 第60-63页 |
| 7.2.1 实例的选择 | 第60页 |
| 7.2.2 基于实例学习的卷积神经网络更新 | 第60-63页 |
| 7.3 小结 | 第63-65页 |
| 第八章 结论和展望 | 第65-67页 |
| 8.1 总结 | 第65页 |
| 8.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者简介 | 第73-74页 |
