| 摘要 | 第4-6页 |
| 英文摘要 | 第6-14页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 研究背景 | 第14-17页 |
| 1.1.1 研究意义 | 第14-15页 |
| 1.1.2 研究难点 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-23页 |
| 1.2.1 交通标志识别相关方法 | 第18-19页 |
| 1.2.2 基于多任务的识别方法研究进展 | 第19-20页 |
| 1.2.3 交通标志检测相关方法 | 第20-23页 |
| 1.3 本文主要贡献和结构安排 | 第23-26页 |
| 1.3.1 本文主要贡献 | 第23-24页 |
| 1.3.2 本文结构安排 | 第24-26页 |
| 第二章 基于Inception卷积神经网络集成算法的交通标志识别 | 第26-44页 |
| 2.1 数据集的整理与收集 | 第26-28页 |
| 2.1.1 德国交通标志识别标准库 | 第26-27页 |
| 2.1.2 瑞典交通标志数据库 | 第27页 |
| 2.1.3 2015年中国交通标志比赛库 | 第27-28页 |
| 2.2 网络框架搭建及实现细节 | 第28-38页 |
| 2.2.1 单网络结构搭建 | 第29-31页 |
| 2.2.2 多网络并行结构搭建 | 第31-33页 |
| 2.2.3 多数据类型集成学习的方式 | 第33-38页 |
| 2.3 实验步骤及结果分析 | 第38-42页 |
| 2.3.1 实验步骤 | 第38-39页 |
| 2.3.2 实验结果及分析 | 第39-42页 |
| 2.4 本章总结 | 第42-44页 |
| 第三章 基于超分辨率迁移学习的交通标志识别 | 第44-60页 |
| 3.1 超分辨率重建的背景技术 | 第44-47页 |
| 3.2 超分辨率重建与识别的级联网络搭建 | 第47-49页 |
| 3.2.1 超分辨率重建网络的预训练 | 第47-48页 |
| 3.2.2 级联网络结构搭建 | 第48-49页 |
| 3.3 实验步骤及结果分析 | 第49-58页 |
| 3.3.1 实验具体步骤 | 第49-51页 |
| 3.3.2 图像质量的客观评价标准 | 第51-53页 |
| 3.3.3 实验结果分析 | 第53-58页 |
| 3.4 本章总结 | 第58-60页 |
| 第四章 基于深度特征学习的端对端复杂交通信号识别 | 第60-74页 |
| 4.1 数据库整理 | 第61-62页 |
| 4.1.1 TSD-2015数据集 | 第61页 |
| 4.1.2 TSD-2016数据集 | 第61-62页 |
| 4.2 基于多模型的交通信号检测算法 | 第62-68页 |
| 4.2.1 常规交通标志的检测与识别 | 第64-65页 |
| 4.2.2 指示牌的检测与识别 | 第65-66页 |
| 4.2.3 交通信号灯的检测与识别 | 第66-68页 |
| 4.3 实验结果与分析 | 第68-73页 |
| 4.4 本章总结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 未来工作展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 硕士期间参与的科研项目及发表论文 | 第82-84页 |
| 致谢 | 第84页 |