| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要内容和安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 论文各章安排 | 第15-16页 |
| 2 卷积神经网络基础理论 | 第16-24页 |
| 2.1 人工神经网络的发展 | 第16页 |
| 2.2 卷积神经网络及其相关技术 | 第16-19页 |
| 2.2.1 卷积层 | 第17页 |
| 2.2.2 激活函数 | 第17-18页 |
| 2.2.3 采样层 | 第18-19页 |
| 2.3 卷积神经网络模型结构 | 第19-23页 |
| 2.3.1 常用网络模型 | 第19-23页 |
| 2.3.2 网络模型对比 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 道路环境目标检测算法 | 第24-41页 |
| 3.1 常用深度学习目标检测算法 | 第24-30页 |
| 3.1.1 基于侯选区域的深度卷积神经网络检测算法 | 第24-27页 |
| 3.1.2 基于回归方法的深度卷积神经网络检测算法 | 第27-29页 |
| 3.1.3 深度卷积神经网络目标检测算法对比 | 第29-30页 |
| 3.2 基于YOLO的道路环境目标检测算法 | 第30-32页 |
| 3.2.1 总体结构设计原理 | 第30-32页 |
| 3.2.2 目标检测算法的损失函数设计 | 第32页 |
| 3.3 检测数据集构建 | 第32-35页 |
| 3.3.1 公开数据集 | 第33-34页 |
| 3.3.2 自采检测标注数据集 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-40页 |
| 3.4.1 实验软硬件环境 | 第35-36页 |
| 3.4.2 目标检测评价标准 | 第36-38页 |
| 3.4.3 目标检测算法实验结果 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 道路环境目标分割算法 | 第41-54页 |
| 4.1 基于深度学习的目标分割算法比较 | 第41-43页 |
| 4.2 基于FCN的道路环境目标分割算法 | 第43-46页 |
| 4.3 分割数据集构建 | 第46-50页 |
| 4.3.1 公开数据集 | 第46-49页 |
| 4.3.2 自采分割标注数据集 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-52页 |
| 4.4.1 目标分割评价标准 | 第50页 |
| 4.4.2 目标分割算法实验结果 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 检测与分割任务联合算法 | 第54-62页 |
| 5.1 多任务联合算法 | 第54-55页 |
| 5.2 实验结果与分析 | 第55-59页 |
| 5.3 多任务联合算法在车载视觉系统中的应用 | 第59-61页 |
| 5.3.1 车载视觉系统介绍 | 第59页 |
| 5.3.2 多任务联合算法的道路实测 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 后续工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |