基于深度学习的快速目标检测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 基于人工设计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算法 | 第12-19页 |
| 1.3 目前国内外研究所存在的问题 | 第19页 |
| 1.4 本文研究内容与章节安排 | 第19-20页 |
| 第2章 卷积神经网络基础理论研究 | 第20-40页 |
| 2.1 引言 | 第20页 |
| 2.2 传统目标检测算法框架 | 第20-25页 |
| 2.2.1 定位目标 | 第20-21页 |
| 2.2.2 特征提取 | 第21-22页 |
| 2.2.3 分类器分类 | 第22-25页 |
| 2.3 卷积神经网络基本结构 | 第25-35页 |
| 2.3.1 全连接层 | 第25-27页 |
| 2.3.2 卷积层 | 第27-31页 |
| 2.3.3 池化层 | 第31-32页 |
| 2.3.4 批归一化层 | 第32-33页 |
| 2.3.5 Softmax分类器 | 第33-35页 |
| 2.4 经典卷积神经网络模型 | 第35-37页 |
| 2.5 模型压缩 | 第37-39页 |
| 2.5.1 基于核的稀疏化方法 | 第37-38页 |
| 2.5.2 模型裁剪 | 第38页 |
| 2.5.3 基于迁移学习的方法 | 第38页 |
| 2.5.4 基于精细模型设计的方法 | 第38-39页 |
| 2.6 本章小结 | 第39-40页 |
| 第3章 基于深度学习的目标检测算法设计 | 第40-53页 |
| 3.1 引言 | 第40页 |
| 3.2 端到端卷积网络模型结构设计 | 第40-44页 |
| 3.2.1 特征提取网络选择 | 第41页 |
| 3.2.2 基于回归的目标的分类和定位 | 第41-42页 |
| 3.2.3 损失函数设计 | 第42-43页 |
| 3.2.4 多尺度模型结构设计 | 第43-44页 |
| 3.3 深度学习平台和数据集 | 第44-47页 |
| 3.4 实验结果与分析 | 第47-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 卷积神经网络性能提升方法研究 | 第53-66页 |
| 4.1 引言 | 第53页 |
| 4.2 增强卷积网络提取特征的能力 | 第53-56页 |
| 4.2.1 方案设计 | 第53-55页 |
| 4.2.2 实验结果与分析 | 第55-56页 |
| 4.3 基于统计的锚框设计 | 第56-59页 |
| 4.3.1 方案设计 | 第56-57页 |
| 4.3.2 实验结果与分析 | 第57-59页 |
| 4.4 网络模型压缩 | 第59-64页 |
| 4.4.1 方案设计 | 第60-63页 |
| 4.4.2 实验结果与分析 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |
