| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 目标检测及其增量学习简介 | 第12页 |
| 1.2 研究背景及意义 | 第12-17页 |
| 1.3 国内外研究现状 | 第17-24页 |
| 1.3.1 目标检测算法 | 第17-20页 |
| 1.3.2 基于卷积神经网络的增量学习 | 第20-24页 |
| 1.4 本文创新点 | 第24页 |
| 1.5 本文组织结构 | 第24-26页 |
| 第2章 理论基础及相关技术 | 第26-42页 |
| 2.1 目标检测算法的评价指标 | 第26-27页 |
| 2.2 卷积神经网络原理 | 第27-32页 |
| 2.2.1 卷积层 | 第27-28页 |
| 2.2.2 激活层 | 第28页 |
| 2.2.3 池化层 | 第28-29页 |
| 2.2.4 全连接层 | 第29-30页 |
| 2.2.5 Softmax层 | 第30页 |
| 2.2.6 Batch Normalization层 | 第30-32页 |
| 2.3 残差网络 | 第32-34页 |
| 2.4 Faster R-CNN目标检测算法 | 第34-38页 |
| 2.5 特征金字塔网络目标检测算法 | 第38-40页 |
| 2.6 模型蒸馏 | 第40-42页 |
| 第3章 实验数据的准备 | 第42-47页 |
| 3.1 本文使用的数据集 | 第42-45页 |
| 3.1.1 Pascal VOC数据集 | 第42-43页 |
| 3.1.2 MS-COCO数据集 | 第43-44页 |
| 3.1.3 Open Image Challenge 2018数据集 | 第44-45页 |
| 3.2 数据集的使用与处理 | 第45-47页 |
| 第4章 基于特征提取思想的研究 | 第47-60页 |
| 4.1 具体方法 | 第47-49页 |
| 4.2 实验结果 | 第49-50页 |
| 4.3 微调层数与新类别准确率的关系 | 第50-52页 |
| 4.4 已有网络可检测类数与新类别准确率的关系 | 第52-53页 |
| 4.5 新类别专有层的添加位置 | 第53-56页 |
| 4.6 添加浅层旁路 | 第56-58页 |
| 4.7 本章小结 | 第58-60页 |
| 第5章 基于保留损失函数方法的研究 | 第60-75页 |
| 5.1 具体方法 | 第60-63页 |
| 5.2 实现细节 | 第63-64页 |
| 5.3 实验结果 | 第64-67页 |
| 5.4 回归目标的选取 | 第67-69页 |
| 5.5 物体候选框的选取 | 第69-70页 |
| 5.6 预训练的重要性 | 第70-71页 |
| 5.7 保留误差和新类别检测误差的赋权 | 第71-72页 |
| 5.8 为新类别添加第二阶段专有层 | 第72-73页 |
| 5.9 本章小结 | 第73-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间主要的研究成果 | 第82-83页 |
| 致谢 | 第83页 |