| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 目标检测及相关技术简介 | 第12-13页 |
| 1.3 道路目标检测技术国内外现状 | 第13-16页 |
| 1.3.1 经典目标检测算法 | 第13-14页 |
| 1.3.2 基于深度学习的目标检测以及道路目标检测技术 | 第14-16页 |
| 1.4 论文的结构安排及主要工作 | 第16-17页 |
| 第2章 深度神经网络及目标检测 | 第17-31页 |
| 2.1 全连接神经网络 | 第17-22页 |
| 2.1.1 全连接神经网络相关概念 | 第17-19页 |
| 2.1.2 前向传播 | 第19-20页 |
| 2.1.3 反向传播 | 第20-22页 |
| 2.2 卷积神经网络 | 第22-24页 |
| 2.2.1 卷积层 | 第22-23页 |
| 2.2.2 池化层 | 第23页 |
| 2.2.3 全连接层 | 第23-24页 |
| 2.3 基于卷积神经网络的目标检测 | 第24-30页 |
| 2.3.1 Faster-RCNN | 第24-28页 |
| 2.3.2 YOLO | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 算法改进与实现 | 第31-52页 |
| 3.1 卷积神经网络设计技巧 | 第31-34页 |
| 3.2 SqueezeDet | 第34-42页 |
| 3.2.1 迁移学习 | 第35-36页 |
| 3.2.2 SqueezeDet检测流程 | 第36-40页 |
| 3.2.3 SqueezeDet训练样本确定以及损失函数 | 第40-41页 |
| 3.2.4 SqueezeDet后处理 | 第41-42页 |
| 3.3 Skipconnection | 第42-46页 |
| 3.4 Dilatedconvolution | 第46-49页 |
| 3.5 Shortcutconnection | 第49-50页 |
| 3.6 本论文最终模型 | 第50-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第4章 实验及分析 | 第52-62页 |
| 4.1 KITTI数据集介绍 | 第52-53页 |
| 4.2 实验环境介绍 | 第53-54页 |
| 4.2.1 硬件环境介绍 | 第53页 |
| 4.2.2 Tensorflow介绍 | 第53-54页 |
| 4.3 训练方法 | 第54-56页 |
| 4.3.1 图像预处理 | 第54-55页 |
| 4.3.2 Two-stage训练流程 | 第55-56页 |
| 4.4 实验分析 | 第56-61页 |
| 4.4.1 Skipconnection作用 | 第58-59页 |
| 4.4.2 Dilatedconvolution作用 | 第59-60页 |
| 4.4.3 Shortcutconnection作用 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文及参与的科研项目 | 第69页 |
