基于卷积神经网络的车辆前方障碍物识别
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-17页 |
| 1.1 引言 | 第8-9页 |
| 1.2 国内外研究现状及发展动态 | 第9-12页 |
| 1.2.1 基于重建的车载视觉感知 | 第10-11页 |
| 1.2.2 基于识别的车载视觉感知 | 第11-12页 |
| 1.3 人工神经网络 | 第12-16页 |
| 1.3.1 神经网络的学习 | 第12-14页 |
| 1.3.2 神经网络的发展 | 第14-15页 |
| 1.3.3 深度神经网络 | 第15-16页 |
| 1.4 本文主要工作内容 | 第16-17页 |
| 2 面向车载视觉图像的卷积神经网络设计 | 第17-27页 |
| 2.1 卷积神经网络的发展 | 第17-18页 |
| 2.2 卷积神经网络的结构 | 第18-21页 |
| 2.2.1 卷积层 | 第18-20页 |
| 2.2.2 下采样层 | 第20-21页 |
| 2.2.3 全连接层 | 第21页 |
| 2.3 卷积神经网络的改进及其特点 | 第21-24页 |
| 2.3.1 输入层设计 | 第21-22页 |
| 2.3.2 卷积层和下采样层设计 | 第22-23页 |
| 2.3.3 输出层设计 | 第23-24页 |
| 2.4 卷积神经网络的训练 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 RBF卷积神经网络的离线学习方法研究 | 第27-39页 |
| 3.1 RBF网络的结构 | 第27-28页 |
| 3.2 RBF逼近能力和泛化能力 | 第28-33页 |
| 3.2.1 插值问题 | 第28-29页 |
| 3.2.2 正则化理论 | 第29-31页 |
| 3.2.3 正则化问题的逼近解 | 第31-33页 |
| 3.3 RBF网络的训练方法 | 第33-35页 |
| 3.4 RBF卷积神经网络的离线学习算法试验 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 RBF卷积神经网络的在线学习方法研究 | 第39-46页 |
| 4.1 RBF网络在线学习算法 | 第39-42页 |
| 4.1.1 最近邻聚类学习算法 | 第40-41页 |
| 4.1.2 在线学习广义RBF网络 | 第41-42页 |
| 4.2 RBF卷积神经网络的在线学习算法试验 | 第42-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 车辆前方障碍物识别 | 第46-55页 |
| 5.1 样本库建立 | 第46-48页 |
| 5.2 试验 | 第48-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |
