| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 传统研究算法 | 第9-10页 |
| 1.2.2 深度学习算法 | 第10-11页 |
| 1.3 研究内容及结构安排 | 第11-13页 |
| 第二章 深度学习基础理论和相关算法 | 第13-23页 |
| 2.1 卷积神经网络的基本结构 | 第13-17页 |
| 2.1.1 数据输入层 | 第13页 |
| 2.1.2 卷积计算层 | 第13-15页 |
| 2.1.3 激励层 | 第15-16页 |
| 2.1.4 池化层 | 第16-17页 |
| 2.1.5 全连接层 | 第17页 |
| 2.2 卷积神经网络模型 | 第17-19页 |
| 2.2.1 LeNet-5 | 第17-18页 |
| 2.2.2 AlexNet | 第18页 |
| 2.2.3 VGGNet | 第18-19页 |
| 2.3 卷积神经网络相关算法 | 第19-23页 |
| 2.3.1 反向传播算法 | 第20-21页 |
| 2.3.2 梯度下降法 | 第21页 |
| 2.3.3 Softmax分类算法 | 第21-23页 |
| 第三章 交通标志分类器的设计与实现 | 第23-33页 |
| 3.1 构建初始数据集 | 第23-30页 |
| 3.1.1 PASCAL VOC数据集 | 第23页 |
| 3.1.2 交通标志数据集GTSRB/BelgiumTS | 第23-24页 |
| 3.1.3 数据收集及预处理 | 第24-28页 |
| 3.1.4 数据集制作 | 第28-30页 |
| 3.2 交通标志的分类模型设计 | 第30-31页 |
| 3.2.1 交通标志分类网络的选取 | 第30页 |
| 3.2.2 交通标志分类网络的设计 | 第30-31页 |
| 3.3 模型训练和实验结果分析 | 第31-33页 |
| 第四章 基于深度学习的道路场景识别模型设计 | 第33-47页 |
| 4.1 基于深度学习的目标检测算法 | 第33-41页 |
| 4.1.1 基于Region Proposal的深度学习目标检测算法 | 第33-38页 |
| 4.1.2 基于End-to-End的深度学习目标检测算法 | 第38-41页 |
| 4.1.3 几种目标检测算法性能对比与分析 | 第41页 |
| 4.2 道路场景识别器结构设计 | 第41-42页 |
| 4.3 网络结构接口程序设计 | 第42-43页 |
| 4.4 实验成果展示和分析 | 第43-47页 |
| 4.4.1 白天识别效果图 | 第43-45页 |
| 4.4.2 夜晚识别效果图 | 第45页 |
| 4.4.3 雨天识别效果图 | 第45-46页 |
| 4.4.4 雪天识别效果图 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 论文工作总结 | 第47-48页 |
| 5.2 研究展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 在学期间的研究成果 | 第52-53页 |
| 致谢 | 第53页 |
