| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 交通标志识别的挑战 | 第13-14页 |
| 1.4 本文研究内容及章节安排 | 第14-16页 |
| 第二章 卷积神经网络(CNN)概述 | 第16-28页 |
| 2.1 网络特性 | 第16-18页 |
| 2.1.1 局部感受野 | 第16-17页 |
| 2.1.2 权值共享 | 第17-18页 |
| 2.1.3 时空亚采样 | 第18页 |
| 2.2 网络结构 | 第18-25页 |
| 2.2.1 LeNet-5 | 第18-20页 |
| 2.2.2 卷积层 | 第20-22页 |
| 2.2.3 池化层 | 第22-23页 |
| 2.2.4 分类器 | 第23-25页 |
| 2.3 网络训练 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于KPCA卷积神经网络的交通标志识别算法 | 第28-41页 |
| 3.1 核主成分分析 | 第28-33页 |
| 3.1.1 主成分分析 | 第28-30页 |
| 3.1.2 核方法 | 第30-31页 |
| 3.1.3 核主成分分析 | 第31-33页 |
| 3.2 KPCANet | 第33-36页 |
| 3.3 实验与分析 | 第36-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于混合池化浅层CNN的交通标志识别算法 | 第41-53页 |
| 4.1 网络优化 | 第41-44页 |
| 4.1.1 激活函数 | 第41-43页 |
| 4.1.2 混合池化 | 第43-44页 |
| 4.1.3 Softmax-loss | 第44页 |
| 4.2 网络结构与设计 | 第44-46页 |
| 4.3 实验与分析 | 第46-52页 |
| 4.3.1 预处理 | 第46-47页 |
| 4.3.2 网络结构带来的影响 | 第47-49页 |
| 4.3.3 网络训练的中间结果 | 第49-50页 |
| 4.3.4 网络分类结果 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录 (攻读硕士学位期间发表和录用的学术论文) | 第60页 |