1. 研究目的与意义
目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。
近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。
从最初2013年提出的R-CNN、OverFeat，到后面的Fast/Faster R-CNN，SSD，YOLO系列，再到2018年最近的Pelee。
2. 研究内容和预期目标
传统的目标检测一般使用滑动窗口的框架，主要包括三个步骤：1.利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；2.提取候选区域相关的视觉特征。
比如人脸检测常用的Harr特征；行人检测和普通目标检测常用的HOG特征等；3.利用分类器进行识别，比如常用的SVM模型。
3. 国内外研究现状
4. 计划与进度安排
第一步，对文献的研究重点、研究手段以及研究结论先进行概括。
第二步，分析这些研究的优缺点。
第三步，整合回顾，提出改进的方向与进一步研究的切入点，
5. 参考文献
1、Sande K E A V D, Uijlings J R R, Gevers T, et al. Segmentation as selective search for object recognition[C]// International Conference on Computer Vision. IEEE Computer Society, 2011:1879-1886.2、Girshick R, Iandola F, Darrell T, et al. Deformable part models are convolutional neural networks[C]// Computer Vision and Pattern Recognition. IEEE, 2015:437-446.3、Girshick R, Donahue J, Darrell T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2014:580-587.4、He K, Zhang X, Ren S, et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J]. IEEE Trans Pattern Anal Mach Intell, 2014, 37(9):1904-1916.5、Girshick R. Fast R-CNN[J]. Computer Science, 2015.6、Ren S, He K, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C]// International Conference on Neural Information Processing Systems. MIT Press, 2015:91-99.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
