| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 本文研究的背景与意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 研究的目的和意义 | 第12-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 道路标识识别的研究现状 | 第15页 |
| 1.2.2 场景区域几何标记的研究现状 | 第15-16页 |
| 1.3 本文研究内容与结构 | 第16-19页 |
| 第2章 相关理论知识 | 第19-41页 |
| 2.1 机器学习 | 第19-23页 |
| 2.1.1 机器学习的定义 | 第19-20页 |
| 2.1.2 机器学习算法的基本流程 | 第20-21页 |
| 2.1.3 经典机器学习算法 | 第21-23页 |
| 2.1.3.1 Logistic回归(Logistic Regression) | 第21页 |
| 2.1.3.2 支持向量机(Support Vector Machine,SVM) | 第21-22页 |
| 2.1.3.3 AdaBoost | 第22-23页 |
| 2.2 特征设计与提取 | 第23-26页 |
| 2.2.1 特征的基本概念 | 第23-24页 |
| 2.2.2 传统特征的设计方法 | 第24页 |
| 2.2.3 计算机视觉中典型特征提取方法 | 第24-26页 |
| 2.2.3.1 梯度方向直方图(HOG) | 第24-25页 |
| 2.2.3.2 局部二值模式(LBP) | 第25-26页 |
| 2.2.3.3 类Haar(Haar-like) | 第26页 |
| 2.3 神经网络 | 第26-34页 |
| 2.3.1 神经网络的神经学原型 | 第27页 |
| 2.3.2 神经网络的基本概念 | 第27-29页 |
| 2.3.3 多层神经网络和反向传播(Backpropagation)算法 | 第29-34页 |
| 2.3.3.1 多层神经网络 | 第29-31页 |
| 2.3.3.2 反向传播算法 | 第31-34页 |
| 2.4 卷积神经网络 | 第34-40页 |
| 2.4.1 卷积神经网络发展及典型结构 | 第34-35页 |
| 2.4.2 特征学习 | 第35-36页 |
| 2.4.2.1 传统特征提取方法的不足 | 第35-36页 |
| 2.4.2.2 卷积神经网络的特征学习能力 | 第36页 |
| 2.4.3 卷积神经网络的基本概念 | 第36-39页 |
| 2.4.4 特征可视化 | 第39-40页 |
| 2.5 小结 | 第40-41页 |
| 第3章 多尺度核卷积网络 | 第41-51页 |
| 3.1 多尺度特征信息的提取 | 第41-43页 |
| 3.2 多尺度核卷积网络的结构 | 第43-45页 |
| 3.3 多尺度核卷积网络的训练方法 | 第45-49页 |
| 3.4 特征可视化 | 第49-50页 |
| 3.5 小结 | 第50-51页 |
| 第4章 基于多尺度核卷积网络的交通场景信息提取应用 | 第51-63页 |
| 4.1 基于多尺度核卷积网络的道路标识识别 | 第51-55页 |
| 4.1.1 问题描述 | 第51-52页 |
| 4.1.2 网络结构设计 | 第52-53页 |
| 4.1.3 实验结果及分析 | 第53-55页 |
| 4.2 基于多尺度核卷积网络的交通场景区域几何标记 | 第55-62页 |
| 4.2.1 问题描述 | 第55-56页 |
| 4.2.2 网络结构设计 | 第56-57页 |
| 4.2.3 实验结果及分析 | 第57-62页 |
| 4.3 小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-66页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |
