| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 物流车辆特征识别研究意义 | 第10-11页 |
| 1.2 车辆特征识别主要技术原理和系统 | 第11-19页 |
| 1.2.1 车辆特征识别国内外研究现状分析 | 第11-13页 |
| 1.2.2 传统方法在物流车辆特征提取的局限性 | 第13-16页 |
| 1.2.3 深度学习方法在物流车辆识别中的优势 | 第16-19页 |
| 1.3 论文主要创新点与章节安排 | 第19-22页 |
| 第2章 深度学习目标检测基本模型及相关算法 | 第22-52页 |
| 2.1 引言 | 第22-25页 |
| 2.2 深度学习网络中的特征提取模型 | 第25-35页 |
| 2.2.1 特征提取网络的选择 | 第25-26页 |
| 2.2.2 卷积神经网络的作用 | 第26-28页 |
| 2.2.3 二分类与多分类的激活函数 | 第28-33页 |
| 2.2.4 特征的池化降维操作 | 第33-35页 |
| 2.3 深度学习网络中的目标定位模型 | 第35-42页 |
| 2.3.1 基于传统滑动窗口的定位模型 | 第35-37页 |
| 2.3.2 基于选择性搜索算法的定位模型 | 第37-39页 |
| 2.3.3 基于网格划分的定位算法模型 | 第39-40页 |
| 2.3.4 基于RPN网络的定位模型 | 第40-42页 |
| 2.4 目标定位与特征分类损失函数 | 第42-51页 |
| 2.4.1 边框回归损失函数模型 | 第42-43页 |
| 2.4.2 目标分类损失函数模型 | 第43-47页 |
| 2.4.3 梯度下降法的更新过程 | 第47-51页 |
| 2.5 本章小结 | 第51-52页 |
| 第3章 基于物流车辆特征模型准备与最优参数组合设计 | 第52-84页 |
| 3.1 物流车辆图像采集与处理 | 第52-62页 |
| 3.1.1 物流车辆图像采集与分类 | 第52-55页 |
| 3.1.2 模型的数据增强工作 | 第55-59页 |
| 3.1.3 物流工程车辆数据集的划分 | 第59-62页 |
| 3.2 基础网络模型的建立 | 第62-63页 |
| 3.3 物流车辆目标的筛选 | 第63-67页 |
| 3.4 物流车辆目标特征统一化 | 第67-69页 |
| 3.5 物流工程车辆模型参数设计 | 第69-79页 |
| 3.5.1 损失函数最优化算法 | 第69-73页 |
| 3.5.2 学习速率的调整策略 | 第73-79页 |
| 3.6 物流车辆网络模型的最优参数确定 | 第79-82页 |
| 3.7 基本参数设置小结 | 第82-84页 |
| 第4章 基于改进的Faster R-CNN物流车辆特征模型研究 | 第84-114页 |
| 4.1 基于训练样本批量标准化的模型 | 第84-89页 |
| 4.1.1 模型训练存在的问题 | 第84-85页 |
| 4.1.2 样本批量标准化策略 | 第85-87页 |
| 4.1.3 样本批量标准化结果分析 | 第87-89页 |
| 4.2 基于负难分样本挖掘和在线样本挖掘技术的模型 | 第89-100页 |
| 4.2.1 模型训练存在的问题 | 第89-90页 |
| 4.2.2 负难分样本挖掘原理 | 第90-91页 |
| 4.2.3 在线样本挖掘技术算法原理与网络结构 | 第91-93页 |
| 4.2.4改进的训练效果对比分析实验 | 第93-100页 |
| 4.3 基于改进的非极大值抑制多目标定位优化算法 | 第100-112页 |
| 4.3.1 传统非极大值抑制存在的问题 | 第100-101页 |
| 4.3.2 改进的非极大值抑制定位算法 | 第101-104页 |
| 4.3.3 改进的非极大值抑制参数敏感性分析 | 第104-106页 |
| 4.3.4 改进的非极大值抑制定位效果分析 | 第106-112页 |
| 4.4 本章小结 | 第112-114页 |
| 第5章 结论与展望 | 第114-118页 |
| 5.1 结论 | 第114-116页 |
| 5.2 不足与展望 | 第116-118页 |
| 参考文献 | 第118-124页 |
| 致谢 | 第124-126页 |
| 攻读硕士期间参加的科研项目和成果 | 第126页 |
