第一章 绪 论
1.1 研究工作的背景与意义
1.2 低分辨率下小物体检测的国内外研究历史与现状
1.3 低分辨率下小物体检测技术研究难度
1.4 本文的主要贡献
1.5 本论文的结构安排
第二章 小物体检测传统算法介绍
2.1 基于传统机器学习方法的检测技术
2.1.1 基于HOG特征和SVM的检测
2.1.2 基于Harr特征算子和Adaboost的检测
2.2 基于深度学习方法的检测技术
2.2.1 深度神经网络相关知识
2.2.2 基于深度学习两阶段检测技术
2.2.3 基于深度学习单阶段检测技术
2.3 本章小结
第三章 低分辨率下小物体检测数据集构建
3.1 物体检测数据集分析
3.1.1 数据集规模
3.1.2 数据集特点
3.2 数据集构建
3.2.1 Coco 2017数据获取
3.2.2 手工标注图像
3.3 数据集处理
3.3.1 数据扩充
3.3.2 数据集划分
3.4 本章小结
第四章 基于深度学习的低分辨下小物体检测算法
4.1.1 检测任务
4.1.2 检测框架
4.2 基于滑窗机制的检测算法
4.2.1 检测流程
4.2.2 网络结构分析
4.2.3 网络训练
4.3.1 图像上下文信息
4.3.2 检测网络
4.4.1 Faster R-CNN算法简介
4.4.2 基于Faster R-CNN的改进算法
4.5 本章小结
第五章 低分辨率下小物体检测实验
5.1 实验环境
5.2.1 检测效果
5.2.2 评价标准
5.3 图像增广效果实验
5.4 图像上下文信息融合效果实验
5.4.1 基于滑窗的上下文融合验证实验
5.4.2 改进Faster R-CNN中的上下文融合验证实验
5.5 改进候选区域生成效果实验
5.5.1 不同特征层和候选区域大小比较实验
5.5.2 RPN中使用特征融合比较实验
5.6 超分辨效果实验
5.7 不同模型对比分析
5.7.1 检测效果分析
5.7.2 运行时间对比分析
5.8 本章小结
第六章 全文总结和展望
6.1 工作总结
6.2 研究展望
致谢
参考文献
攻硕期间取得的研究成果
电子科技大学;