声明
致谢
1 引言
1.1 研究的背景及意义
1.2 国内外研究现状
1.2.1 行人检测算法研究现状
1.2.2 轻量化网络研究现状
1.2.3 硬件加速研究现状
1.3 研究内容与目标
1.4 论文结构安排
2 基于CNN的行人检测算法与硬件基础
2.1 卷积神经网络模型
2.1.1 神经网络与深度学习
2.1.2 CNN中的核心层
2.1.3 激活函数与反向传播
2.2 基于CNN的目标检测算法对比分析
2.2.1 基于候选区域的CNN算法
2.2.2 基于回归的CNN算法
2.3 硬件相关知识
2.4 数据集与评价指标
2.4.1 数据集
2.4.3 评价指标
2.5 本章小结
3 基于YOLOv4的行人检测算法及其轻量化
3.1 通用的目标检测网络
3.1.1 网络结构
3.1.2 YOLOv4的输出端
3.1.3 损失函数
3.2 基于铁路场景的行人检测网络
3.2.1 网络结构
3.2.2 实验结果与分析
3.3 轻量化网络设计
3.3.1 剪枝基础知识
3.3.2 YOLOv4剪枝
3.3.3 实验结果与分析
3.4 本章小结
4 行人检测算法的硬件部署
4.1 硬件加速器
4.1.1 ZCU104硬件设备
4.1.2 Vitis AI开发工具包
4.2 深度学习处理单元
4.3 网络具体部署
4.3.1 Vitis-AI部署流程
4.3.2 硬件部署流程
4.4 实验结果分析
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;