基于深度学习的交通视频检测及车型分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及研究的目的和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究的目的和意义 | 第11页 |
| 1.2 国内外在该方向的研究现状 | 第11-16页 |
| 1.2.1 深度学习的研究现状 | 第11-13页 |
| 1.2.2 目标检测的研究现状 | 第13-15页 |
| 1.2.3 车型分类的研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容和章节安排 | 第16-18页 |
| 第2章 深度学习和神经网络 | 第18-34页 |
| 2.1 概述 | 第18页 |
| 2.2 深度学习基本模型 | 第18-19页 |
| 2.3 深度卷积神经网络基本原理 | 第19-32页 |
| 2.3.1 卷积神经网络的构成 | 第20-25页 |
| 2.3.2 卷积神经网络的特点 | 第25-28页 |
| 2.3.3 卷积神经网络的训练机制 | 第28-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于卷积神经网络的交通视频检测 | 第34-48页 |
| 3.1 概述 | 第34页 |
| 3.2 基于区域的卷积神经网络系列算法 | 第34-41页 |
| 3.2.1 RCNN | 第34-35页 |
| 3.2.2 SPPNet | 第35-37页 |
| 3.2.3 Fast RCNN | 第37-38页 |
| 3.2.4 Faster RCNN | 第38-40页 |
| 3.2.5 对比与分析 | 第40-41页 |
| 3.3 交通视频检测方案设计 | 第41-43页 |
| 3.4 交通视频检测网络设计 | 第43-47页 |
| 3.4.1 共享卷积层 | 第43-44页 |
| 3.4.2 区域建议网络 | 第44-46页 |
| 3.4.3 改进卷积网络 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于深度残差神经网络的车型分类 | 第48-65页 |
| 4.1 概述 | 第48页 |
| 4.2 图像分类网络 | 第48-58页 |
| 4.2.1 浅层卷积神经网络 | 第48-51页 |
| 4.2.2 深层卷积神经网络 | 第51-56页 |
| 4.2.3 性能对比分析 | 第56-58页 |
| 4.3 车型分类网络设计 | 第58-63页 |
| 4.3.1 残差网络模型 | 第59-60页 |
| 4.3.2 常用网络结构 | 第60-61页 |
| 4.3.3 确定最优网络 | 第61-63页 |
| 4.4 基于交通视频的车型分类系统设计 | 第63页 |
| 4.5 本章小结 | 第63-65页 |
| 第5章 实验与分析 | 第65-81页 |
| 5.1 实验环境与实验数据 | 第65-67页 |
| 5.1.1 实验环境 | 第65页 |
| 5.1.2 实验数据集 | 第65-67页 |
| 5.2 交通视频检测实验结果 | 第67-77页 |
| 5.2.1 检测网络的训练步骤 | 第67-69页 |
| 5.2.2 检测网络的训练过程 | 第69-72页 |
| 5.2.3 检测网络的测试结果对比 | 第72-77页 |
| 5.3 车型分类实验结果 | 第77-80页 |
| 5.3.1 分类网络的训练过程 | 第77-78页 |
| 5.3.2 基于交通视频的车型分类结果 | 第78-80页 |
| 5.4 本章小结 | 第80-81页 |
| 结论 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第87-89页 |
| 致谢 | 第89页 |
