| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于传统方法的目标检测与识别算法 | 第10-11页 |
| 1.2.2 基于深度学习的目标检测与识别算法 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织架构 | 第13-15页 |
| 2 相关理论与技术 | 第15-28页 |
| 2.1 人工神经网络 | 第15-17页 |
| 2.2 卷积神经网络 | 第17-20页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 池化层 | 第19-20页 |
| 2.2.3 全连接层 | 第20页 |
| 2.3 激活函数与分类器 | 第20-24页 |
| 2.4 残差网络 | 第24-25页 |
| 2.5 注意力机制 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 3 基于残差网络的相似型车辆检测与识别 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 基本思想 | 第28-29页 |
| 3.3 基于残差模块改进的相似型车辆检测与识别算法 | 第29-33页 |
| 3.3.1 预处理阶段 | 第29-30页 |
| 3.3.2 改进的特征提取网络 | 第30-32页 |
| 3.3.3 感兴趣区域池化层 | 第32-33页 |
| 3.3.4 非极大值抑制 | 第33页 |
| 3.4 算法验证与分析 | 第33-36页 |
| 3.4.1 实验环境与数据集 | 第33-34页 |
| 3.4.2 实验方案及结果分析 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 4 基于改进Faster-RCNN的交通目标检测与识别算法 | 第38-52页 |
| 4.1 基本思想 | 第38页 |
| 4.2 基于Faster-RCNN的目标检测与识别算法 | 第38-43页 |
| 4.2.1 特征提取模块 | 第39-40页 |
| 4.2.2 RPN候选区域生成网络 | 第40-43页 |
| 4.3 基于改进Faster-RCNN的交通目标检测与识别算法 | 第43-47页 |
| 4.3.1 基于CBAM模块改进的交通目标检测识别算法 | 第43-45页 |
| 4.3.2 基于CBAM模块和双分支结构改进的交通目标检测识别算法 | 第45-47页 |
| 4.4 算法验证与分析 | 第47-50页 |
| 4.4.1 实验所用数据集 | 第47-48页 |
| 4.4.2 实验方案及结果分析 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
