| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 论文研究背景及意义 | 第12-14页 |
| 1.1.1 论文研究背景 | 第13-14页 |
| 1.1.2 选题依据及意义 | 第14页 |
| 1.2 相关领域国内外发展现状 | 第14-15页 |
| 1.3 论文主要研究工作及结构安排 | 第15-18页 |
| 1.3.1 论文研究内容 | 第15-16页 |
| 1.3.2 论文结构安排 | 第16-18页 |
| 第二章 CNN卷积神经网络理论基础 | 第18-24页 |
| 2.1 基于CNN新型目标检测网络模型 | 第18-21页 |
| 2.1.1 卷积神经网络发展进程 | 第18-19页 |
| 2.1.2 卷积网络结构 | 第19-21页 |
| 2.2 CNN卷积模型特点 | 第21-22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 基于VGG模型的人脸识别 | 第24-38页 |
| 3.1 引言 | 第24页 |
| 3.2 基于VGG模型的人脸识别 | 第24-30页 |
| 3.2.1 VGG卷积神经网络 | 第24-27页 |
| 3.2.2 VGG16卷积模型参数及结构 | 第27页 |
| 3.2.3 SGD随机梯度下降模型改进算法 | 第27-30页 |
| 3.3 实验结果与分析 | 第30-36页 |
| 3.3.1 实验数据集 | 第30页 |
| 3.3.2 实验环境以及需求设备 | 第30页 |
| 3.3.3 数据预处理 | 第30-31页 |
| 3.3.4 卷积网络训练策略 | 第31-32页 |
| 3.3.5 模型结构对网络性能影响 | 第32-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于VGG-SSD深度卷积模型的多目标识别 | 第38-52页 |
| 4.1 引言 | 第38-39页 |
| 4.2 基于VGG-SSD深度卷积模型的多目标识别 | 第39-43页 |
| 4.2.1 回归卷积网络模型 | 第39-40页 |
| 4.2.2 新型改进目标检测网络模型 | 第40-41页 |
| 4.2.3 目标检测基本流程 | 第41-43页 |
| 4.3 实验结果与分析 | 第43-49页 |
| 4.3.1 实验数据集 | 第43页 |
| 4.3.2 实验环境以及需求设备 | 第43页 |
| 4.3.3 数据增强 | 第43-44页 |
| 4.3.4 卷积网络训练策略 | 第44-45页 |
| 4.3.5 模型结构对网络性能影响 | 第45-49页 |
| 4.4 本章小结 | 第49-52页 |
| 第五章 基于SSD-MobileNet卷积模型的视频目标检测 | 第52-68页 |
| 5.1 引言 | 第52-53页 |
| 5.2 基于SSD-MobileNet卷积模型的视频目标检测 | 第53-60页 |
| 5.2.1 MobileNet卷积神经网络 | 第53-56页 |
| 5.2.2 SSD卷积神经网络 | 第56-58页 |
| 5.2.3 MobileNet-SSD网络模型 | 第58页 |
| 5.2.4 新型网络结构检测流程 | 第58-60页 |
| 5.3 实验结果与分析 | 第60-66页 |
| 5.3.1 实验数据集 | 第60-61页 |
| 5.3.2 实验环境以及需求设备 | 第61页 |
| 5.3.3 数据预处理 | 第61-62页 |
| 5.3.4 卷积网络训练策略 | 第62-63页 |
| 5.3.5 模型结构对网络性能影响 | 第63-66页 |
| 5.6 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-71页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 攻读学位期间研究成果 | 第79-80页 |
| 致谢 | 第80页 |
