基于深度学习的行人检测与行人识别研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及其意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 行人检测研究现状 | 第12-14页 |
| 1.2.2 行人识别研究现状 | 第14-16页 |
| 1.2.3 硬件加速发展现状 | 第16页 |
| 1.3 论文整体组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 深度学习原理和实现 | 第18-41页 |
| 2.1 神经网络 | 第18-27页 |
| 2.1.1 神经元 | 第19页 |
| 2.1.2 神经网络模型 | 第19-21页 |
| 2.1.3 反向传导算法与梯度下降 | 第21-24页 |
| 2.1.4 代价函数 | 第24-27页 |
| 2.2 卷积神经网络及实现方式 | 第27-34页 |
| 2.2.1 卷积神经网络原理 | 第27-29页 |
| 2.2.2 卷积神经网络模型压缩 | 第29-33页 |
| 2.2.3 卷积神经网络的实现 | 第33-34页 |
| 2.3 加速卷积神经网络 | 第34-40页 |
| 2.3.1 Neon简介 | 第34-35页 |
| 2.3.2 OpenMP简介 | 第35-37页 |
| 2.3.3 实验原理 | 第37-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 Android平台行人检测研究 | 第41-58页 |
| 3.1 传统目标检测算法 | 第41-43页 |
| 3.2 深度学习目标检测算法 | 第43-48页 |
| 3.3 本章实验 | 第48-56页 |
| 3.3.1 改进的FasterRCNN | 第48-52页 |
| 3.3.2 改进的YOLO | 第52-56页 |
| 3.4 本章小结 | 第56-58页 |
| 第四章 行人识别系统研究 | 第58-70页 |
| 4.1 FaceNet简介 | 第59-61页 |
| 4.2 Triplet简介 | 第61-62页 |
| 4.3 本章实验 | 第62-69页 |
| 4.3.1 性能测试 | 第64-66页 |
| 4.3.2 行人识别系统搭建 | 第66-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文工作总结 | 第70页 |
| 5.2 未来工作展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附录 | 第79页 |
