| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 目标检测研究现状 | 第11-12页 |
| 1.2.2 CUDA研究现状 | 第12-13页 |
| 1.2.3 CUDA在目标检测领域的应用 | 第13-14页 |
| 1.3 论文主要工作安排 | 第14-16页 |
| 第二章 目标检测算法与CUDA相关技术 | 第16-24页 |
| 2.1 目标检测算法 | 第16-17页 |
| 2.2 CUDA相关技术 | 第17-23页 |
| 2.2.1 CUDA综述 | 第17-18页 |
| 2.2.2 CUDA的编程模型 | 第18-19页 |
| 2.2.3 CUDA的存储模型 | 第19-21页 |
| 2.2.4 CUDA实现程序的并行 | 第21页 |
| 2.2.5 CUDA程序的优化 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 HOG-SVM算法的CUDA并行实现 | 第24-52页 |
| 3.1 HOG-SVM算法的理论与实现 | 第24-32页 |
| 3.1.1 算法介绍 | 第24页 |
| 3.1.2 检测流程 | 第24-25页 |
| 3.1.3 训练样本 | 第25-26页 |
| 3.1.4 HOG特征提取算法 | 第26-30页 |
| 3.1.5 SVM分类器 | 第30-32页 |
| 3.1.6 多尺度模型和滑窗检测 | 第32页 |
| 3.2 HOG-SVM算法的的并行分析与实现 | 第32-44页 |
| 3.2.1 HOG特征提取的并行性分析和优化 | 第33-41页 |
| 3.2.2 SVM检测的并行性分析和优化 | 第41-42页 |
| 3.2.3 单样本检测的并行实现 | 第42-43页 |
| 3.2.4 实验结果与分析 | 第43-44页 |
| 3.3 目标检测流程的并行分析与优化 | 第44-51页 |
| 3.3.1 建立多尺度模型的并行与优化 | 第44-46页 |
| 3.3.2 滑窗检测的并行 | 第46-48页 |
| 3.3.3 目标检测的CUDA并行实现 | 第48-49页 |
| 3.3.4 实验结果与分析 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 使用卷积神经网络进行目标检测的CUDA并行实现 | 第52-87页 |
| 4.1 卷积神经网络的理论与搭建 | 第52-61页 |
| 4.1.1 卷积神经网络的基本结构 | 第52-55页 |
| 4.1.2 LENET5网络结构 | 第55-57页 |
| 4.1.3 反向传播算法 | 第57-60页 |
| 4.1.4 LENET5网络的搭建 | 第60-61页 |
| 4.2 使用卷积神经网络实现目标检测的研究 | 第61-68页 |
| 4.2.1 使用LENET5网络进行目标检测的实验 | 第61-63页 |
| 4.2.2 网络层数调整的分析与实验 | 第63-64页 |
| 4.2.3 卷积核调整的分析与实验 | 第64-66页 |
| 4.2.4 特征向量维数调整的分析与实验 | 第66-68页 |
| 4.2.5 搭建用于目标检测的卷积神经网络 | 第68页 |
| 4.3 卷积神经网络的CUDA并行实现 | 第68-80页 |
| 4.3.1 矩阵卷积的并行分析 | 第68-69页 |
| 4.3.2 矩阵池化的并行分析 | 第69-70页 |
| 4.3.3 前向过程的并行分析与实现 | 第70-73页 |
| 4.3.4 后向过程的并行分析与实现 | 第73-77页 |
| 4.3.5 权值更新过程的并行分析与实现 | 第77-79页 |
| 4.3.6 并行实现流程与实验 | 第79-80页 |
| 4.4 训练与检测的并行优化 | 第80-86页 |
| 4.4.1 批量训练 | 第81-84页 |
| 4.4.2 滑窗检测 | 第84-86页 |
| 4.5 本章小结 | 第86-87页 |
| 第五章 总结与展望 | 第87-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-93页 |