基于多尺度卷积神经网络的交通标志识别方法
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 交通标志识别研究现状 | 第9-13页 |
| 1.3 交通标志识别基本流程 | 第13-14页 |
| 1.4 本文的主要内容和章节安排 | 第14-15页 |
| 第二章 GTSRB基准数据库与基准算法 | 第15-21页 |
| 2.1 GTSRB数据库介绍 | 第15-16页 |
| 2.2 交通标志识别的难点分析 | 第16-18页 |
| 2.3 交通标志识别算法优缺点 | 第18-20页 |
| 2.4 算法思路与框架结构 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 交通标志图像预处理 | 第21-28页 |
| 3.1 提取感兴趣区域 | 第21页 |
| 3.2 图像尺寸归一化 | 第21-22页 |
| 3.3 图像增强 | 第22-27页 |
| 3.3.1 直接灰度变换 | 第22-24页 |
| 3.3.2 直方图修正法 | 第24-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 卷积神经网络 | 第28-41页 |
| 4.1 卷积神经网络特点 | 第28-29页 |
| 4.2 卷积神经网络层次 | 第29-34页 |
| 4.3 参数设置 | 第34-40页 |
| 4.3.1 权重初始化 | 第34-35页 |
| 4.3.2 激活函数 | 第35-37页 |
| 4.3.3 优化器 | 第37-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于多尺度CNN的交通标志识别方法 | 第41-55页 |
| 5.1 多尺度卷积神经网络 | 第41-42页 |
| 5.2 模型设计 | 第42-43页 |
| 5.3 算法实现 | 第43-47页 |
| 5.3.1 Keras与TensorFlow框架 | 第43页 |
| 5.3.2 多尺度卷积神经网络的实现 | 第43-47页 |
| 5.4 实验结果与分析 | 第47-52页 |
| 5.4.1 权重初始化方式选择 | 第48页 |
| 5.4.2 激活函数选择 | 第48-49页 |
| 5.4.3 优化器选择 | 第49-50页 |
| 5.4.4 Dropout参数设置 | 第50页 |
| 5.4.5 多尺度卷积神经网络比较 | 第50-51页 |
| 5.4.6 交通标志识别错误案例分析 | 第51-52页 |
| 5.5 本文算法与其他算法比较 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
