简化的卷积神经网络在目标检测中的应用研究

目录

第一章 绪 论

1.1 选题背景及意义

1.2 目标检测的研究现状

1.2.1 目标检测的任务描述及评价标准

1.2.2 目标检测的公开数据集

1.2.3 基于图像处理方法的目标检测

1.2.4 基于深度学习方法的目标检测

1.3 本文主要内容

第二章 基于深度神经网络的目标检测方法

2.1 人工神经网络的提出

2.2 卷积神经网络

2.3 基于候选区域的方法

2.3.1 R-CNN

2.3.2 SPP-Net

2.3.3 Fast-RCNN

2.3.4 Faster R-CNN

2.3.5 R-FCN

2.3.6 Mask R-CNN

2.4 基于回归的方法

2.4.1 YOLO

2.4.2 SSD

2.4.3 YOLOv2以及YOLO9000

2.4.4 YOLOv3

2.5 本章小结

第三章 神经网络参数的调优

3.1 损失函数

3.2 反向传播算法

3.3 基于梯度下降的优化算法

3.3.1 批梯度下降法

3.2.2 小批梯度下降法

3.3.3 随机梯度下降法

3.3.4 带动量的随机梯度下降法

3.3.5 Adagrad梯度下降法

3.3.6 Adadelta梯度下降法

3.3.7 Adam梯度下降法

3.4梯度爆炸与梯度消失的出现

3.5 梯度爆炸和梯度消失的解决方案

3.5.1 预训练加微调

3.5.2梯度剪切与正则化项

3.5.3 适当的激活函数

3.5.4 批规范化

3.5.5 残差块

3.6 本章小结

第四章 深度神经网络的压缩

4.1 量化

4.2 低阶分解与稀疏化

4.3 转换/简化卷积核

4.4 知识蒸馏

4.5 本章小结

第五章 部署于安卓平台的目标检测网络

5.1 整体流程

5.2.1 网络结构

5.2.2 损失函数

5.3.1 数据集处理

5.3.2 参数调优

5.4 实验结果

5.5 网络的部署

5.6 本章小结

总结与展望

参考文献

攻读学位期间发表的论文及申请的专利

声明

致谢