| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文主要研究工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 卷积神经网络相关理论基础 | 第14-29页 |
| 2.1 人工神经网络(ANN) | 第14-17页 |
| 2.1.1 单个神经元 | 第14-15页 |
| 2.1.2 多层感知器 | 第15-17页 |
| 2.2 卷积神经网络(CNN) | 第17-22页 |
| 2.2.1 卷积神经网络的基本结构 | 第17页 |
| 2.2.2 卷积过程 | 第17-19页 |
| 2.2.3 激活函数 | 第19-20页 |
| 2.2.4 池化 | 第20-22页 |
| 2.2.5 全连接层 | 第22页 |
| 2.3 防止过拟合技术 | 第22-24页 |
| 2.3.1 Dropout技术 | 第23-24页 |
| 2.3.2 图像数据增强 | 第24页 |
| 2.4 误差反向传播算法 | 第24-28页 |
| 2.4.1 BP神经网络 | 第24-27页 |
| 2.4.2 softmax回归 | 第27-28页 |
| 2.5 小结 | 第28-29页 |
| 第三章 基于卷积神经网络的交通标志识别模型的构建与优化 | 第29-38页 |
| 3.1 LeNet-5网络模型 | 第29-30页 |
| 3.2 TSR-LeNet卷积神经网络模型 | 第30-32页 |
| 3.2.1 网络结构设计 | 第30-31页 |
| 3.2.2 关键参数设置 | 第31-32页 |
| 3.3 交通标志图像预处理技术 | 第32-35页 |
| 3.3.1 几何归一化 | 第33-34页 |
| 3.3.2 图像增强 | 第34-35页 |
| 3.4 TSR-LeNet卷积神经网络模型的改进 | 第35-37页 |
| 3.5 小结 | 第37-38页 |
| 第四章 交通标志识别实验结果与分析 | 第38-49页 |
| 4.1 TensorFlow框架及软硬件环境简介 | 第38页 |
| 4.2 GTSRB交通标志数据集介绍 | 第38-40页 |
| 4.3 TSR-LeNet模型的训练与测试 | 第40-42页 |
| 4.4 评价标准 | 第42页 |
| 4.5 实验结果与分析 | 第42-48页 |
| 4.5.1 模型构建过程对比分析 | 第42-45页 |
| 4.5.2 模型构建优化对比分析 | 第45-47页 |
| 4.5.3 与其他方法对比 | 第47-48页 |
| 4.6 小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 回顾与总结 | 第49页 |
| 5.2 未来工作展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 在学期间公开发表论文及著作情况 | 第55-56页 |
| 致谢 | 第56页 |