全文总字数：4175字

1. 研究目的与意义及国内外研究现状

卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。

它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。

该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。

2. 研究的基本内容

- 学习现阶段主流的深度卷积神经网络R-CNN，Fast R-CNN, Faster R-CNN,YOLO, ssd，了解各种深度学习方法的工作机制；- 学习深度学习开源框架caffe的工作原理，能够利用其实现诸如目标检测，物体分类的工作；- 学习诸如LeNet，AlexNet，GoogleNet、VGGNet等网络模型的具体结构，从而能够在已有的模型上进行尝试性修改，以更加优化网络结构。

3. 实施方案、进度安排及预期效果

2016.11-2017.1学习R-CNN，Fast-CNN, Faster R-CNN,YOLO, ssd等深度学习方法的具体结构与具体实现；2017.1-2017.3 学习LeNet，AlexNet，GoogleNet、VGGNet等网络模型结构，详细了解其特点，进行尝试性修改模型；2017.3-2017.5 实现目标检测工作，能够利用该工作完成日常目标检测工作的需求。

4. 参考文献

\[1] girshick, ross, et al. “rich feature hierarchies for accurate object detection and semantic segmentation.” cvpr 2014.\

[2] girshick, ross. “fast r-cnn.” iccv2015.\

[3] ren, shaoqing, et al. “faster r-cnn: towards real-time object detection with region proposal networks.” advances in neural information processing systems. 2015.\