| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-16页 |
| 1.2.1 车辆检测研究现状 | 第9-14页 |
| 1.2.2 深度学习研究现状 | 第14-16页 |
| 1.3 主要研究内容 | 第16页 |
| 1.4 内容结构 | 第16-18页 |
| 2 卷积神经网络相关理论 | 第18-30页 |
| 2.1 网络结构 | 第18-21页 |
| 2.1.1 卷积层 | 第18-20页 |
| 2.1.2 池化层 | 第20-21页 |
| 2.1.3 全连接层 | 第21页 |
| 2.2 激活函数 | 第21-24页 |
| 2.3 正则化方法 | 第24-26页 |
| 2.4 训练过程 | 第26-29页 |
| 2.4.1 反向传播算法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于区域卷积神经网络的目标检测方法 | 第30-38页 |
| 3.1 R-CNN模型 | 第30-33页 |
| 3.1.1 选择性搜索算法 | 第30-31页 |
| 3.1.2 非极大值抑制算法 | 第31页 |
| 3.1.3 边框回归 | 第31-33页 |
| 3.2 Fast R-CNN模型 | 第33-34页 |
| 3.3 Faster R-CNN模型 | 第34-37页 |
| 3.3.1 区域建议网络 | 第34-36页 |
| 3.3.2 Faster R-CNN整体框架 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于Faster R-CNN模型的车辆检测方法 | 第38-46页 |
| 4.1 Faster R-CNN模型的改进 | 第38-41页 |
| 4.1.1 多层特征融合 | 第39-40页 |
| 4.1.2 多尺度训练 | 第40页 |
| 4.1.3 难负样本挖掘策略 | 第40-41页 |
| 4.2 模型训练与测试 | 第41-43页 |
| 4.2.1 模型参数设置 | 第42-43页 |
| 4.3 性能评价指标 | 第43-44页 |
| 4.4 本章小结 | 第44-46页 |
| 5 实验与分析 | 第46-56页 |
| 5.1 实验数据集 | 第46页 |
| 5.2 实验环境 | 第46-47页 |
| 5.3 模型性能分析 | 第47-51页 |
| 5.3.1 不同场景下的检测性能 | 第47-49页 |
| 5.3.2 不同模型的检测性能对比 | 第49-51页 |
| 5.4 影响因素分析 | 第51-55页 |
| 5.4.1 不同锚框尺寸的影响分析 | 第51页 |
| 5.4.2 特征融合层数的影响分析 | 第51-53页 |
| 5.4.3 多尺度训练的影响分析 | 第53-54页 |
| 5.4.4 难负样本挖掘策略的影响分析 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 附录 | 第66页 |