| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车辆品牌和型号的识别 | 第10-11页 |
| 1.2.2 卷积神经网络研究现状 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 第2章 卷积神经网络理论 | 第14-23页 |
| 2.1 卷积神经网络的基本特征 | 第14-15页 |
| 2.2 卷积神经网络的基本结构 | 第15-18页 |
| 2.3 卷积神经网络的学习算法 | 第18-22页 |
| 2.3.1 反向传播算法 | 第18-20页 |
| 2.3.2 卷积神经网络中的反向传播算法 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 车辆检测 | 第23-29页 |
| 3.1 基于卷积神经网络的车辆检测 | 第23-26页 |
| 3.1.1 车辆检测过程 | 第23页 |
| 3.1.2 正负样本的生成 | 第23-25页 |
| 3.1.3 车辆检测网络结构 | 第25-26页 |
| 3.2 实验 | 第26-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 基于多尺度跃层卷积神经网络的精细车型识别方法 | 第29-39页 |
| 4.1 基于卷积神经网络的精细车型识别框图 | 第29-30页 |
| 4.2 跃层卷积神经网络的网络结构 | 第30-31页 |
| 4.3 基于多尺度跃层卷积神经网络的精细车型识别 | 第31-33页 |
| 4.3.1 多尺度跃层卷积神经网络 | 第31-32页 |
| 4.3.2 自适应融合分类结果 | 第32-33页 |
| 4.4 实验 | 第33-38页 |
| 4.4.1 实验所用数据集及运行环境 | 第33-34页 |
| 4.4.2 基于跃层卷积神经网络的车型识别实验 | 第34-36页 |
| 4.4.3 基于多尺度跃层卷积神经网络车型识别实验 | 第36-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 基于强化学习错误与易错样本的卷积神经网络车型识别算法 | 第39-45页 |
| 5.1 卷积神经网络的训练特点 | 第39-40页 |
| 5.2 错误样本和易错样本的定义 | 第40页 |
| 5.3 强化学习错误样本和易错样本的卷积神经网络识别算法 | 第40-42页 |
| 5.4 实验 | 第42-44页 |
| 5.4.1 数据集与参数设置 | 第42页 |
| 5.4.2 实验结果与分析 | 第42-44页 |
| 5.5 本章小结 | 第44-45页 |
| 第6章 结论与展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第49-50页 |
| 致谢 | 第50页 |
