| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 本论文研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-17页 |
| 1.2.1 车型识别 | 第12-14页 |
| 1.2.2 车辆颜色识别 | 第14-15页 |
| 1.2.3 车辆属性识别难点分析 | 第15-16页 |
| 1.2.4 总结与分析 | 第16-17页 |
| 1.3 本论文的工作创新点 | 第17页 |
| 1.4 本论文的内容安排 | 第17-19页 |
| 第2章 深度学习与卷积神经网络 | 第19-25页 |
| 2.1 深度学习概述 | 第19-20页 |
| 2.2 卷积神经网络介绍 | 第20-25页 |
| 2.2.1 监督学习与随机梯度下降 | 第20-21页 |
| 2.2.2 反向传播算法 | 第21页 |
| 2.2.3 卷积神经网络结构 | 第21-23页 |
| 2.2.4 卷积神经网络的发展 | 第23-25页 |
| 第3章 基于CNN的车型识别 | 第25-52页 |
| 3.1 车辆检测 | 第25-29页 |
| 3.1.1 基于深度学习的车辆检测方法发展 | 第26页 |
| 3.1.2 基于Faster-RCNN的车辆检测算法 | 第26-27页 |
| 3.1.3 车辆检测器结果评测 | 第27-29页 |
| 3.2 车型识别模型设计 | 第29-32页 |
| 3.2.1 车辆数据集的构建 | 第29-30页 |
| 3.2.2 车型识别卷积神经网络的设计 | 第30-32页 |
| 3.3 车型识别结果分析 | 第32-43页 |
| 3.3.1 测试数据准备 | 第32-33页 |
| 3.3.2 评测方法 | 第33页 |
| 3.3.3 车型识别结果统计 | 第33-40页 |
| 3.3.4 错误识别原因分析 | 第40-41页 |
| 3.3.5 车型识别结果分析 | 第41-43页 |
| 3.4 快速车型标注算法 | 第43-50页 |
| 3.4.1 CNN特征聚类 | 第44-47页 |
| 3.4.2 CNN特征索引 | 第47-48页 |
| 3.4.3 快速标注算法实验结果 | 第48-50页 |
| 3.5 CNN特征泛化测试 | 第50-51页 |
| 3.6 本章小节 | 第51-52页 |
| 第4章 基于CNN的车身颜色识别 | 第52-64页 |
| 4.1 车身颜色数据集的构建 | 第52-54页 |
| 4.2 车身颜色识别训练和结果统计分析 | 第54-57页 |
| 4.2.1 车身颜色识别结果统计 | 第54-55页 |
| 4.2.2 错误识别原因分析 | 第55-56页 |
| 4.2.3 非纯色车身颜色识别测试 | 第56-57页 |
| 4.3 多任务学习 | 第57-63页 |
| 4.3.1 车型和车身颜色多任务学习算法设计 | 第57-62页 |
| 4.3.2 车型和车身颜色多任务网络识别结果统计 | 第62-63页 |
| 4.4 本章小节 | 第63-64页 |
| 第5章 车辆属性识别原型系统 | 第64-68页 |
| 5.1 系统功能模块介绍 | 第64-65页 |
| 5.2 客户端使用方法 | 第65-66页 |
| 5.3 本章小节 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-75页 |
| 攻读学位期间发表论文与研究成果清单 | 第75-76页 |
| 致谢 | 第76页 |