基于深度学习的全天车辆检测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 方法概述 | 第11-15页 |
| 1.2.1 传统的日间车辆检测方法 | 第11-12页 |
| 1.2.2 传统的夜间车辆检测方法 | 第12-13页 |
| 1.2.3 深度学习目标检测现状 | 第13-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 2 深度学习理论基础 | 第17-30页 |
| 2.1 人工神经网络 | 第17-21页 |
| 2.2 深度学习 | 第21-23页 |
| 2.2.1 深度学习简介 | 第21-22页 |
| 2.2.2 深度学习工具 | 第22-23页 |
| 2.3 卷积神经网络 | 第23-29页 |
| 2.3.1 局部感知与权值共享 | 第23-25页 |
| 2.3.2 卷积神经网络结构 | 第25-26页 |
| 2.3.3 提升卷积神经网络的训练方法 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于FASTER R-CNN的车辆检测 | 第30-53页 |
| 3.1 FASTER R-CNN检测框架 | 第30-36页 |
| 3.1.1 特征提取网络 | 第31-32页 |
| 3.1.2 区域建议网络 | 第32-35页 |
| 3.1.3 快速区域卷积网络 | 第35-36页 |
| 3.2 全天车辆检测模型的训练 | 第36-38页 |
| 3.2.1 车辆检测模型训练方案 | 第36-37页 |
| 3.2.2 日间车辆检测模型的训练 | 第37-38页 |
| 3.2.3 夜间车辆检测模型的训练 | 第38页 |
| 3.3 特征提取网络的选择 | 第38-40页 |
| 3.4 后处理方法 | 第40-41页 |
| 3.5 实验验证与结果分析 | 第41-52页 |
| 3.5.1 昼夜车辆样本库的建立 | 第42-44页 |
| 3.5.2 训练方法的优化 | 第44-45页 |
| 3.5.3 实验评价标准 | 第45-46页 |
| 3.5.4 实验结果与分析 | 第46-52页 |
| 3.6 本章小结 | 第52-53页 |
| 4 昼夜场景判断 | 第53-64页 |
| 4.1 昼夜场景判断方法 | 第53页 |
| 4.2 基于SVM的昼夜判断 | 第53-61页 |
| 4.3 基于CNN的昼夜判断 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-65页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
