基于深度学习的车型细粒度识别研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 车型识别的研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 车辆检测研究现状 | 第13-14页 |
| 1.2.2 车型识别研究现状 | 第14-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 1.4 论文内容安排 | 第17-19页 |
| 第二章 相关基础理论 | 第19-35页 |
| 2.1 人工神经网络 | 第19-22页 |
| 2.2 卷积神经网络 | 第22-26页 |
| 2.2.1 卷积层 | 第22-24页 |
| 2.2.2 池化层 | 第24页 |
| 2.2.3 激活函数(ReLU) | 第24-26页 |
| 2.2.4 CNN的排列规律 | 第26页 |
| 2.3 损失函数 | 第26-29页 |
| 2.3.1 log对数损失函数(逻辑回归) | 第27-28页 |
| 2.3.2 Softmax损失函数 | 第28页 |
| 2.3.3 Hinge损失函数 | 第28-29页 |
| 2.4 多任务学习 | 第29-35页 |
| 2.4.1 多任务学习的背景 | 第29-30页 |
| 2.4.2 多任务学习的原理 | 第30-32页 |
| 2.4.3 多任务学习机制 | 第32-35页 |
| 第三章 基于Faster R-CNN的车辆检测 | 第35-49页 |
| 3.1 算法分析 | 第35-42页 |
| 3.1.1 R-CNN | 第35-38页 |
| 3.1.2 Fast R-CNN | 第38-39页 |
| 3.1.3 Faster R-CNN | 第39-42页 |
| 3.2 实验 | 第42-49页 |
| 3.2.1 检测流程说明 | 第43页 |
| 3.2.2 模型训练过程 | 第43-45页 |
| 3.2.3 实验结果 | 第45-49页 |
| 第四章 基于多任务网络的车型识别 | 第49-69页 |
| 4.1 实验数据库 | 第49-51页 |
| 4.2 网络架构 | 第51-57页 |
| 4.2.1 深度网络的预训练 | 第51-53页 |
| 4.2.2 深度网络简介 | 第53-57页 |
| 4.2.3 多任务损失函数 | 第57页 |
| 4.3 多任务网络的训练 | 第57-60页 |
| 4.3.1 AlexNet的训练过程 | 第58-59页 |
| 4.3.2 GoogleNet的训练过程 | 第59-60页 |
| 4.3.3 ResNet的训练过程 | 第60页 |
| 4.4 实验 | 第60-66页 |
| 4.4.1 实验结果分析 | 第60-64页 |
| 4.4.2 对比实验分析 | 第64-65页 |
| 4.4.3 识别结果展示 | 第65-66页 |
| 4.5 交互系统 | 第66-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-76页 |
