| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 目标检测的国内外研究现状及意义 | 第11-16页 |
| 1.2.1 基于手工特征的目标检测算法 | 第11-12页 |
| 1.2.2 基于深度学习的目标检测方法 | 第12-16页 |
| 1.2.2.1 基于候选区域的深度学习目标检测算法 | 第13-14页 |
| 1.2.2.2 基于回归模型的深度学习目标检测方法 | 第14-16页 |
| 1.3 全局信息在目标检测中应用的研究现状 | 第16页 |
| 1.4 论文的主要研究内容 | 第16-17页 |
| 1.5 本文章节安排 | 第17-18页 |
| 第二章 基于循环卷积神经网络的室内目标检测方法 | 第18-39页 |
| 2.1 引言 | 第18-19页 |
| 2.2 本章算法框架 | 第19-20页 |
| 2.3 基于全局语义内容的特征提取 | 第20-28页 |
| 2.3.1 全局语义信息的获取 | 第20-22页 |
| 2.3.2 基于循环卷积神经网络的特征提取模块 | 第22-24页 |
| 2.3.3 基于全局信息的室内目标检测网络 | 第24-28页 |
| 2.4 实验结果及分析 | 第28-38页 |
| 2.4.1 实验环境 | 第28-29页 |
| 2.4.2 构建室内目标检测数据库 | 第29-31页 |
| 2.4.3 网络模型训练阶段 | 第31-32页 |
| 2.4.4 网络模型测试阶段 | 第32-38页 |
| 2.4.4.1 客观实验结果评测与分析 | 第32-36页 |
| 2.4.4.2 主观实验结果评测与分析 | 第36-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 基于置信度调节的重叠目标检测方法 | 第39-56页 |
| 3.1 引言 | 第39-40页 |
| 3.2 本章算法框架 | 第40-41页 |
| 3.3 基于检测框重叠面积的置信度计算 | 第41-47页 |
| 3.3.1 重叠面积因变量的计算 | 第41-43页 |
| 3.3.2 基于重叠面积计算置信度的函数 | 第43-46页 |
| 3.3.3 基于重叠面积调整置信度算法的实现 | 第46-47页 |
| 3.4 基于数据库的目标分布的置信度计算 | 第47-50页 |
| 3.5 实验结果及分析 | 第50-54页 |
| 3.5.1 客观实验结果评测及分析 | 第51-52页 |
| 3.5.2 主观实验结果评测及分析 | 第52-54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 基于室内目标属性规律的目标检测优化 | 第56-67页 |
| 4.1 引言 | 第56-57页 |
| 4.2 本章算法框架 | 第57页 |
| 4.3 基于室内目标检测数据库的目标属性规律统计 | 第57-59页 |
| 4.4 基于目标属性规律的检测优化 | 第59-63页 |
| 4.5 实验结果及分析 | 第63-65页 |
| 4.5.1 客观实验结果评测及分析 | 第63-64页 |
| 4.5.2 主观实验结果评测及分析 | 第64-65页 |
| 4.6 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 后续工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |