| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 国内外自动驾驶研究现状 | 第14-16页 |
| 1.2.2 国内外目标检测与车辆检测技术研究现状 | 第16-18页 |
| 1.3 本文主要工作及章节安排 | 第18-20页 |
| 第二章 相关算法理论 | 第20-33页 |
| 2.1 深度学习理论 | 第20-22页 |
| 2.1.1 深度前馈网络 | 第20-22页 |
| 2.2 卷积神经网络 | 第22-25页 |
| 2.2.1 局部感受野 | 第22-23页 |
| 2.2.2 权值共享 | 第23页 |
| 2.2.3 池化 | 第23页 |
| 2.2.4 卷积神经网络发展 | 第23-25页 |
| 2.3 目标检测经典模型回顾 | 第25-31页 |
| 2.3.1 两阶段(2-stage)检测模型 | 第25-28页 |
| 2.3.2 单阶段(1-stage)检测模型 | 第28-30页 |
| 2.3.3 检测模型基本特点 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于蒸馏学习的模型压缩与加速 | 第33-42页 |
| 3.1 引言 | 第33-34页 |
| 3.2 蒸馏学习介绍 | 第34页 |
| 3.3 基于区域特征图的蒸馏学习 | 第34-35页 |
| 3.4 基于融合的感兴趣区域的蒸馏学习 | 第35-36页 |
| 3.5 网络框架和执行细节 | 第36-37页 |
| 3.6 实验结果分析 | 第37-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第四章 视觉与激光雷达点云融合的多模态车辆检测方案 | 第42-53页 |
| 4.1 引言 | 第42页 |
| 4.2 三维车辆检测相关技术 | 第42-43页 |
| 4.2.1 .基于激光雷达点云的检测技术 | 第43页 |
| 4.2.2 基于图像的检测技术 | 第43页 |
| 4.2.3 多模态融合检测技术 | 第43页 |
| 4.3 激光雷达点云数据处理 | 第43-45页 |
| 4.4 三维候选框预选与特征提取网络 | 第45-47页 |
| 4.5 ChannelShuffle多模态特征融合网络 | 第47-48页 |
| 4.6 网络训练细节与实验 | 第48-52页 |
| 4.7 本章小结 | 第52-53页 |
| 总结与展望 | 第53-55页 |
| 总结 | 第53-54页 |
| 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读学位期间发表的论文 | 第59-61页 |
| 致谢 | 第61页 |