領域自適應目標檢測方法與應用

目錄 
第1章 緒論 1 
1.1 背景及意義 1 
1.2 目標檢測研究現(xiàn)狀 3 
1.2.1 目標檢測方法概述 3 
1.2.2 基于分類卷積神經網(wǎng)絡的目標檢測方法 6 
1.2.3 基于回歸卷積神經網(wǎng)絡的目標檢測方法 10 
1.3 目標檢測遷移學習研究現(xiàn)狀 13 
1.3.1 領域自適應目標分類方法 14 
1.3.2 領域自適應目標檢測方法 19 
1.4 問題與不足 22 
1.5 研究內容及主要貢獻 22 
第2章 卷積神經網(wǎng)絡及其在車輛檢測中的應用案例 26 
2.1 卷積神經網(wǎng)絡 26 
2.1.1 發(fā)展過程 26 
2.1.2 基本結構 27 
2.1.3 訓練方法 30 
2.1.4 研究進展 30 
2.1.5 常用模型 32 
2.2 基于卷積神經網(wǎng)絡的車輛檢測方法 33 
2.2.1 引言 33 
2.2.2 模型設計 35 
2.2.3 實驗分析 37 
2.3 本章小結 41 
第3章 面向監(jiān)控場景的車輛檢測器遷移方法 42 
3.1 引言 42 
3.2 方法概述 44 
3.3 遷移車輛檢測器 45
3.3.1 遷移特征 45 
3.3.2 優(yōu)化結構 47 
3.3.3 調整網(wǎng)絡 48 
3.4 實驗分析 50 
3.4.1 UIUC 車輛數(shù)據(jù)集 51 
3.4.2 MIT 交通數(shù)據(jù)集 53 
3.4.3 UESTC 道路數(shù)據(jù)集 56 
3.4.4 討論分析 57 
3.5 本章小結 59 
第4章 面向監(jiān)控場景的目標檢測器構建方法 60 
4.1 引言 60 
4.2 方法概述 62 
4.3 遷移卷積神經網(wǎng)絡 64 
4.3.1 預訓練后的卷積神經網(wǎng)絡 64 
4.3.2 選擇可用卷積核 64 
4.4 學習上下文信息 66 
4.4.1 上下文卷積神經網(wǎng)絡 66 
4.4.2 參數(shù)訓練過程 69 
4.5 估計邊界框 72 
4.6 實驗分析 72 
4.6.1 實驗數(shù)據(jù) 72 
4.6.2 實驗設置 74 
4.6.3 行人檢測 75 
4.6.4 參數(shù)分析 78 
4.6.5 車輛檢測 82 
4.7 本章小結 84 
第5章 基于分類器回歸遷移方法的行人檢測研究 85 
5.1 研究現(xiàn)狀與問題形成 85 
5.2 預備知識 87 
5.2.1 自編碼器神經網(wǎng)絡 87 
5.2.2 ESVM 分類器 90
5.2.3 問題定義 91 
5.3 源域數(shù)據(jù)集 91 
5.4 分類器回歸模型框架 93 
5.4.1 回歸標簽數(shù)據(jù)的準備 94 
5.4.2 基于自編碼器的回歸標簽數(shù)據(jù)降維 95 
5.4.3 基于兩階段回歸網(wǎng)絡的映射學習 97 
5.5 基于分類器回歸的行人檢測框架 99 
5.6 實驗 101 
5.6.1 目標應用場景介紹 101 
5.6.2 實驗設置 103 
5.6.3 在目標場景上的對比實驗 104 
5.6.4 分析前端通用檢測器對性能的影響 108 
5.6.5 驗證兩階段回歸方案的有效性 109 
5.6.6 如何確定回歸標簽數(shù)據(jù)的降維程度 110 
5.7 本章小結 111 
第6章 基于自適應分類器調整遷移方法的行人檢測研究 113 
6.1 研究現(xiàn)狀與問題形成 113 
6.2 預備知識 115 
6.2.1 單層感知機的幾何意義 116 
6.2.2 問題定義 117 
6.3 CNNDAC的算法框架 118 
6.4 模型訓練方法 118 
6.4.1 CCNN子網(wǎng)絡訓練方法 120 
6.4.2 MNN子網(wǎng)絡訓練方法 123 
6.4.3 訓練技巧 124 
6.5 檢測流程 125 
6.6 實驗 126 
6.6.1 實驗設置 126 
6.6.2 在目標域應用場景上的對比實驗 129 
6.6.3 驗證分類器調整的自適應性 133 
6.6.4 驗證CNNDAC中主要技術的有效性 135
6.7 本章小結 136 
第7章 基于自適應特征調控遷移方法的行人檢測研究 137 
7.1 研究現(xiàn)狀與問題形成 137 
7.2 預備知識 139 
7.2.1 卷積計算 140 
7.2.2 池化操作 141 
7.2.3 卷積神經網(wǎng)絡 142 
7.3 MCNN的算法框架 147 
7.4 模型訓練方法 149 
7.4.1 DyNN子網(wǎng)絡訓練方法 149 
7.4.2 MNN子網(wǎng)絡訓練方法 149 
7.4.3 檢測流程 152 
7.5 實驗 152 
7.5.1 實驗設置 152 
7.5.2 在目標域應用場景上的檢測結果 153 
7.5.3 驗證特征圖權重預測的自適應性 157 
7.5.4 驗證特征圖權重預測技術的有效性 159 
7.6 本書所提三種域自適應目標檢測方法的橫向對比 160 
7.7 本章小結 163 
第8章 基于記憶預測的目標檢測方法 164 
8.1 引言 164 
8.2 方法概述 166 
8.3 基于記憶預測的分類模型 167 
8.3.1 序列生成 167 
8.3.2 特征提取 168 
8.3.3 記憶存儲 168 
8.3.4 訓練策略 169 
8.4 基于記憶預測的回歸模型 170 
8.4.1 目標檢測流程 170 
8.4.2 回復式卷積神經網(wǎng)絡 171 
8.5 實驗分析 172
8.5.1 實現(xiàn)細節(jié) 172 
8.5.2 行人檢測 173 
8.5.3 分析討論 177 
8.5.4 車輛檢測 180 
8.6 本章小結 182 
第9章 基于序列學習的行人檢測方法 184 
9.1 引言 184 
9.2 方法概述 186 
9.3 基于記憶預測的序列學習模型 188 
9.3.1 序列生成 188 
9.3.2 特征提取 188 
9.3.3 次序交換 189 
9.3.4 記憶存儲 190 
9.3.5 聯(lián)合學習 191 
9.4 基于序列學習的行人檢測模型 193 
9.5 實驗分析 193 
9.5.1 實現(xiàn)細節(jié) 193 
9.5.2 INRIA行人數(shù)據(jù)集 194 
9.5.3 TUD行人數(shù)據(jù)集 195 
9.5.4 分析討論 197 
9.6 本章小結 199 
第10章 總結與展望 200 
10.1 全文總結 200 
10.2 工作展望 202 
參考文獻 204 
索引 224