基于深度学习的交通场景多目标检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 传统目标检测方法 | 第13-14页 |
| 1.2.2 基于区域框的深度学习目标检测算法 | 第14-16页 |
| 1.2.3 基于回归的深度学习目标检测算法 | 第16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 相关基础知识 | 第18-33页 |
| 2.1 人工神经网络 | 第18-26页 |
| 2.1.1 神经网络模型 | 第18-19页 |
| 2.1.2 激活函数 | 第19-21页 |
| 2.1.3 神经网络类别 | 第21-22页 |
| 2.1.4 反向传播算法 | 第22-25页 |
| 2.1.5 回归模型 | 第25-26页 |
| 2.2 卷积神经网络的基本结构 | 第26-29页 |
| 2.2.1 卷积层 | 第26-27页 |
| 2.2.2 池化层 | 第27-28页 |
| 2.2.3 全连接层 | 第28-29页 |
| 2.3 卷积神经网络优化方法 | 第29-32页 |
| 2.3.1 正则化方法 | 第29-31页 |
| 2.3.2 数据集扩增 | 第31页 |
| 2.3.3 Dropout优化 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于卷积神经网络的多目标检测 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 网络结构 | 第33-34页 |
| 3.3 数据集的制作 | 第34-36页 |
| 3.3.1 数据集的采集 | 第34-35页 |
| 3.3.2 数据集的标注 | 第35页 |
| 3.3.3 数据集的转换 | 第35-36页 |
| 3.4 卷积神经网络的训练 | 第36-40页 |
| 3.4.1 训练目标函数 | 第36-37页 |
| 3.4.2 默认包围盒大小和长宽比的选择 | 第37-38页 |
| 3.4.3 正负样本比例 | 第38页 |
| 3.4.4 训练神经网络框架 | 第38-40页 |
| 3.5 卷积神经网络的参数调节及实验结果 | 第40-44页 |
| 3.5.1 实验平台 | 第40-41页 |
| 3.5.2 不同的迭代次数对实验结果影响 | 第41-42页 |
| 3.5.3 数据集扩增对实验结果的影响 | 第42-43页 |
| 3.5.4 不同的输出层对实验结果的影响 | 第43-44页 |
| 3.5.5 默认边框形状的选择对实验结果的影响 | 第44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于残差网络的多目标检测 | 第45-54页 |
| 4.1 引言 | 第45页 |
| 4.2 深度残差学习 | 第45-48页 |
| 4.2.1 残差学习 | 第46页 |
| 4.2.2 网络结构 | 第46-48页 |
| 4.3 残差网络结构 | 第48-49页 |
| 4.4 实验 | 第49-53页 |
| 4.4.1 KITTI数据集 | 第49-50页 |
| 4.4.2 评价指标 | 第50-51页 |
| 4.4.3 检测结果与评估 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 附录A 读研期间发表学术论文和参与科研项目 | 第60-61页 |
| 致谢 | 第61页 |
