| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本课题研究内容 | 第11-12页 |
| 1.4 主要工作与研究成果 | 第12-13页 |
| 第二章 深度卷积神经网路基础理论 | 第13-28页 |
| 2.1 深度卷积神经网络概念 | 第13页 |
| 2.2 深度卷积神经网络的结构 | 第13-18页 |
| 2.2.0 数据输入层 | 第14-15页 |
| 2.2.1 卷积层 | 第15-16页 |
| 2.2.2 池化层 | 第16-17页 |
| 2.2.3 全连接层 | 第17-18页 |
| 2.3 深度卷积神经网络训练算法 | 第18-22页 |
| 2.3.1 Softmax分类器 | 第18-19页 |
| 2.3.2 反向传播算法 | 第19-21页 |
| 2.3.3 梯度下降法 | 第21-22页 |
| 2.4 深度卷积神经网络模型结构 | 第22-27页 |
| 2.4.1 VGGnet | 第23-24页 |
| 2.4.2 Deep Residual Network | 第24-27页 |
| 2.5 深度卷积神经网络的优点 | 第27-28页 |
| 第三章 基于深度卷积神经网络的道路场景物体检测器设计 | 第28-39页 |
| 3.1 基于深度卷积神经网络的道路动态场景物体检测结构 | 第28-29页 |
| 3.2 道路场景物体检测学习器设计 | 第29-30页 |
| 3.3 基于深度卷积神经网络的物体检测方法 | 第30-38页 |
| 3.3.1 基于区域推荐的深度卷积神经网络物体检测方法 | 第31-36页 |
| 3.3.2 基于回归算法的深度卷积神经网络物体检测方法 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 道路场景物体检测模型训练及测试实验 | 第39-47页 |
| 4.1 基于预训练模型的参数微调 | 第39-40页 |
| 4.2 道路场景物体检测模型训练实验分析 | 第40-46页 |
| 4.2.1 实验数据及实验平台 | 第41-42页 |
| 4.2.2 搭建训练网络 | 第42-43页 |
| 4.2.3 基于深度卷积神经网络的物体检测模型训练及测试 | 第43-44页 |
| 4.2.4 道路场景物体检测实验 | 第44-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 物体检测模型在嵌入式系统上的应用 | 第47-51页 |
| 5.1 基于回归方法的物体检测模型训练 | 第47页 |
| 5.2 Jetson TX1嵌入式系统介绍 | 第47-49页 |
| 5.3 Jetson TX1嵌入式系统对道路场景物体检测效果 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 本文工作总结 | 第51-52页 |
| 6.2 未来工作展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |
