| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文结构 | 第12-14页 |
| 第2章 自动驾驶 | 第14-20页 |
| 2.1 自动驾驶分级 | 第14-16页 |
| 2.2 自动驾驶感知任务的特点 | 第16-17页 |
| 2.3 自动驾驶感知系统的特点 | 第17-18页 |
| 2.4 本章小结 | 第18-20页 |
| 第3章 卷积神经网络 | 第20-36页 |
| 3.1 卷积神经网络的基本概念 | 第20-21页 |
| 3.2 自动驾驶视觉感知数据集 | 第21-24页 |
| 3.2.1 CIFAR-10和CIFAR-100图像分类数据集 | 第21页 |
| 3.2.2 Image Net图像识别数据集项目 | 第21-23页 |
| 3.2.3 KITTI自动驾驶数据集 | 第23页 |
| 3.2.4 Cityscapes自动驾驶图像分割数据集 | 第23-24页 |
| 3.3 常用的卷积神经网络 | 第24-33页 |
| 3.3.1 残差网络Res Net | 第25-29页 |
| 3.3.2 稠密链接的卷积神经网络Dense Net | 第29-31页 |
| 3.3.3 能够度量模型不确定度的Bayesian Seg Net | 第31-33页 |
| 3.4 本章小结 | 第33-36页 |
| 第4章 一种自学习不确定度的神经网络架构 | 第36-48页 |
| 4.1 简介 | 第36页 |
| 4.2 研究背景和意义 | 第36-37页 |
| 4.3 自学习不确定度的神经网络 | 第37-41页 |
| 4.3.1 自学习不确定度的神经网络的结构 | 第37-38页 |
| 4.3.2 ULNN的输入 | 第38页 |
| 4.3.3 不确定度学习层 | 第38-39页 |
| 4.3.4 不确定度损失项 | 第39-40页 |
| 4.3.5 自学习不确定度的神经网络的参数 | 第40-41页 |
| 4.4 实验及结果 | 第41-45页 |
| 4.4.1 ULNN切片分析结果 | 第41-43页 |
| 4.4.2 ULNN的总体性能 | 第43-44页 |
| 4.4.3 ULNN框架的通用性 | 第44-45页 |
| 4.5 分析与讨论 | 第45页 |
| 4.6 本章小结 | 第45-48页 |
| 第5章 一种难例自适应的高效卷积神经网络 | 第48-58页 |
| 5.1 简介 | 第48页 |
| 5.2 相关工作 | 第48-49页 |
| 5.3 基本结构 | 第49-50页 |
| 5.4 Glance Net的实现 | 第50-53页 |
| 5.4.1 难例权重函数 | 第50-52页 |
| 5.4.2 基于信息熵的分类置信度评价指标 | 第52页 |
| 5.4.3 自适应置信度阈值 | 第52-53页 |
| 5.5 实验结果及分析 | 第53-56页 |
| 5.5.1 难例权重函数的作用 | 第53-54页 |
| 5.5.2 α对正确率与速度的影响 | 第54-55页 |
| 5.5.3 Glance Nets与原始Dense Nets的对比 | 第55-56页 |
| 5.6 本章小结 | 第56-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-68页 |
| 致谢 | 第68页 |
