1 绪 论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.3 本文的主要工作
1.4 本文的组织结构
2 目标检测相关理论
2.1 卷积神经网络
2.1.1 卷积层
2.1.2 激活函数
2.1.3 池化层
2.1.4 全连接层
2.2 反向传播算法
2.3 常见目标检测算法
2.3.1 R-CNN系列
2.3.2 SSD
2.4 迁移学习
2.5 目标检测常用评判指标
2.5.1 准确率和召回率
2.5.2 IoU
2.5.3 mAP
2.6 本章小结
3 基于多尺度特征融合改进YOLOv3算法
3.1 行人检测问题存在的挑战
3.2 多尺度特征融合
3.2.1 上采样
3.2.2 1 x 1卷积
3.2.3 特征金字塔网络
3.3 YOLOv3算法
3.3.1 YOLOv3算法的网络结构
3.3.2 损失函数
3.4 对YOLOv3算法的改进
3.4.1 基于自适应特征权重调节的特征融合方法
3.4.2 采用Kmeans++算法
3.5 实验及结果分析
3.5.1 数据集简介
3.5.2 实验参数设置
3.5.3 实验结果
3.6 小结
4 YOLOv3算法的边界框回归及NMS优化
4.1 边界框回归损失函数改进
4.1.1 边界框回归过程分析
4.1.2 基于中心点距离的边界框回归损失函数
4.2 NMS算法及其改进
4.2.1 NMS算法介绍
4.2.2 Soft-NMS
4.2.3 Center_dis-NMS
4.3 实验及结果分析
4.3.1 数据集简介
4.3.3 实验结果
4.4 本章小结
5 基于改进YOLOv3算法的行人检测与优化
5.1 算法整体框架
5.2 优化策略
5.2.1 采用mix-up技术的预训练模型
5.2.2 多尺度训练策略
5.3 实验及结果分析
5.3.1 数据集简介
5.3.2 实验参数设置
5.3.3 实验结果
5.4 本章小结
6 总结与展望
6.1 研究工作总结
6.2 展望
参考文献
附 录
A. 学位论文数据集
致 谢
重庆大学;