复杂场景中车辆品牌识别算法的研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景和意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 复杂环境与研究难点 | 第14-15页 |
| 1.4 本文章节安排 | 第15-17页 |
| 第二章 基于批归一化层的卡口车辆识别 | 第17-32页 |
| 2.1 问题引入 | 第17-18页 |
| 2.2 车型库构建 | 第18-19页 |
| 2.3 批归一化层 | 第19-24页 |
| 2.3.1 批归一化算法引入 | 第19-20页 |
| 2.3.2 批归一化层处理过程 | 第20-22页 |
| 2.3.3 批归一化层反向传播过程 | 第22-23页 |
| 2.3.4 卷积神经网络中的批归一化层 | 第23-24页 |
| 2.4 数据增强 | 第24-25页 |
| 2.5 嵌入批归一化层的车辆识别网络架构设计 | 第25-26页 |
| 2.6 实验结果与分析 | 第26-31页 |
| 2.6.1 数据集与实验设置 | 第26页 |
| 2.6.2 训练参数设置 | 第26-27页 |
| 2.6.3 实验结果分析 | 第27-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第三章 非均衡样本下的虚拟卡口车辆识别 | 第32-44页 |
| 3.1 问题引入 | 第32-33页 |
| 3.2 焦点损失函数 | 第33-36页 |
| 3.2.1 交叉熵损失函数问题分析 | 第33-35页 |
| 3.2.2 焦点损失函数 | 第35-36页 |
| 3.3 Inception网络模块 | 第36-38页 |
| 3.4 基于焦点损失函数的车辆品牌识别网络设计 | 第38-40页 |
| 3.5 实验结果与分析 | 第40-42页 |
| 3.5.1 数据集与实验设置 | 第40-42页 |
| 3.5.2 实验结果分析 | 第42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 基于渐进式卷积神经网络的虚拟卡口车辆识别 | 第44-56页 |
| 4.1 问题引入 | 第44-45页 |
| 4.2 渐进式多任务CNN框架 | 第45-48页 |
| 4.2.1 深度学习框架Caffe介绍 | 第45页 |
| 4.2.2 渐进式多任务CNN框架结构设计 | 第45-47页 |
| 4.2.3 基于Caffe框架的代码实现 | 第47-48页 |
| 4.3 多角度下端到端的车辆识别网络 | 第48-50页 |
| 4.3.1 多角度下车辆识别网络模型设计 | 第48-50页 |
| 4.3.2 网络模型损失函数设计 | 第50页 |
| 4.4 实验结果与分析 | 第50-55页 |
| 4.4.1 数据集选取 | 第50-51页 |
| 4.4.2 实验结果分析 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-60页 |
| 5.1 本文工作总结 | 第56-57页 |
| 5.2 未来工作分析与展望 | 第57-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 攻读学位期间参加的科研项目 | 第67页 |
