| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 人群计数与密度估计研究现状 | 第10-12页 |
| 1.2.2 卷积神经网络的发展 | 第12-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 本文的组织结构 | 第13-16页 |
| 2 相关理论及技术概述 | 第16-28页 |
| 2.1 卷积神经网络模型 | 第16-21页 |
| 2.1.1 卷积运算 | 第16-17页 |
| 2.1.2 卷积的主要特性 | 第17-19页 |
| 2.1.3 池化操作 | 第19-20页 |
| 2.1.4 经典卷积神经网络模型分析 | 第20-21页 |
| 2.2 基于CNN的人数计数方法分析 | 第21-27页 |
| 2.2.1 基础CNN模型 | 第22-24页 |
| 2.2.2 上下文感知模型 | 第24页 |
| 2.2.3 尺寸感知模型 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于DCNN的人群计数与密度估计模型 | 第28-46页 |
| 3.1 密度图 | 第28-30页 |
| 3.1.1 密度图的概念 | 第28页 |
| 3.1.2 密度图生成算法 | 第28-30页 |
| 3.2 基于全卷积的网络模型设计 | 第30-33页 |
| 3.2.1 全卷积 | 第30页 |
| 3.2.2 网络模型Model-A | 第30-33页 |
| 3.3 基于卷积特征融合的网络模型设计 | 第33-38页 |
| 3.3.1 特征融合 | 第33-34页 |
| 3.3.2 反卷积 | 第34-35页 |
| 3.3.3 网络模型Model-B | 第35-38页 |
| 3.4 尺度自适应网络模型设计与改进 | 第38-44页 |
| 3.4.1 改进的尺度自适应网络模型Model-C | 第38-41页 |
| 3.4.2 残差与密集连接 | 第41-43页 |
| 3.4.3 基于密集连接的尺度自适应网络模型Dense_Model-C | 第43-44页 |
| 3.5 损失函数设计 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 实验分析 | 第46-70页 |
| 4.1 实验环境 | 第46页 |
| 4.2 数据集与数据处理 | 第46-48页 |
| 4.2.1 数据集 | 第46页 |
| 4.2.2 数据处理 | 第46-48页 |
| 4.3 评价标准 | 第48页 |
| 4.4 网络训练参数 | 第48页 |
| 4.5 实验结果与误差分析 | 第48-68页 |
| 4.5.1 实验结果对比 | 第48-57页 |
| 4.5.2 误差分析 | 第57-68页 |
| 4.6 本章小结 | 第68-70页 |
| 5 总结与展望 | 第70-74页 |
| 5.1 研究工作总结 | 第70-71页 |
| 5.2 展望 | 第71-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 附录 | 第82页 |
| A.作者在攻读硕士学位期间发表的论文目录 | 第82页 |
| B.作者在攻读硕士学位期间参加的科研项目 | 第82页 |