| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-25页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 交通标志识别国内外研究现状 | 第11-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究动态 | 第15-16页 |
| 1.3 神经网络概述 | 第16-21页 |
| 1.3.1 人工神经网络 | 第16-18页 |
| 1.3.2 卷积神经网络 | 第18-21页 |
| 1.4 深度学习中新的网络层 | 第21-23页 |
| 1.4.1 Dropout层 | 第21-22页 |
| 1.4.2 Batch Normalization层 | 第22-23页 |
| 1.5 本文研究内容 | 第23页 |
| 1.6 论文的结构及安排 | 第23-25页 |
| 2 交通标志识别网络参数的测试与分析 | 第25-38页 |
| 2.1 神经网络结构分析 | 第26-33页 |
| 2.1.1 LeNet-5与AlexNet神经网络 | 第26-31页 |
| 2.1.2 网络的训练与测试 | 第31-33页 |
| 2.2 各项网络参数的测试与分析 | 第33-36页 |
| 2.2.1 不同激活函数比较 | 第33-34页 |
| 2.2.2 不同采样层比较 | 第34-35页 |
| 2.2.3 卷积层参数比较 | 第35-36页 |
| 2.3 网络参数压缩改进 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 神经网络工作机理研究 | 第38-44页 |
| 3.1 卷积核的可视化 | 第39-41页 |
| 3.2 高分值图像的可视化 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 4 标志的分类与分割 | 第44-50页 |
| 4.1 卷积网络特性 | 第44-45页 |
| 4.2 分割方法 | 第45-47页 |
| 4.3 实验结果 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 本文工作总结 | 第50页 |
| 5.2 后续工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第56-58页 |
| 学位论文数据集 | 第58页 |