基于深层语义特征增强的细粒度车型识别方法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第16-19页 |
| 1.1 课题来源及意义 | 第16-17页 |
| 1.2 课题研究背景 | 第17-18页 |
| 1.3 本文研究内容及安排 | 第18-19页 |
| 第二章 细粒度车型识别研究基础 | 第19-38页 |
| 2.1 人工神经网络 | 第19-29页 |
| 2.1.1 多层感知机模型 | 第19-20页 |
| 2.1.2 神经元激活函数 | 第20-23页 |
| 2.1.3 浅层神经网络 | 第23-24页 |
| 2.1.4 卷积神经网络结构 | 第24-27页 |
| 2.1.5 神经网络训练方法 | 第27-29页 |
| 2.2 卷积神经网络改进模型 | 第29-33页 |
| 2.2.1 LeNet-5 | 第30页 |
| 2.2.2 AlexNet | 第30-31页 |
| 2.2.3 VGG | 第31-32页 |
| 2.2.4 ResNet | 第32-33页 |
| 2.3 细粒度车型识别研究综述 | 第33-36页 |
| 2.3.1 细粒度图像分类概述 | 第33-34页 |
| 2.3.2 细粒度车型数据集 | 第34-35页 |
| 2.3.3 基于手工特征的细粒度车型识别方法 | 第35-36页 |
| 2.3.4 基于卷积神经网络的细粒度车型识别方法 | 第36页 |
| 2.4 本章小结 | 第36-38页 |
| 第三章 基于语义DCNN特征融合的细粒度车型识别 | 第38-59页 |
| 3.1 引言 | 第38-39页 |
| 3.2 语义特征融合模型 | 第39-43页 |
| 3.2.1 语义部件检测网络 | 第40-42页 |
| 3.2.2 特征识别网络 | 第42-43页 |
| 3.3 模型优化方法 | 第43-46页 |
| 3.3.1 语义特征融合 | 第43-45页 |
| 3.3.2 模型权重共享 | 第45-46页 |
| 3.4 实验结果与分析 | 第46-58页 |
| 3.4.1 实验设置 | 第46-48页 |
| 3.4.2 语义部件定位 | 第48-50页 |
| 3.4.3 语义部件识别 | 第50-51页 |
| 3.4.4 语义特征融合 | 第51-54页 |
| 3.4.5 BMW-10数据集识别结果及分析 | 第54-55页 |
| 3.4.6 Cars-197数据集识别结果及分析 | 第55-56页 |
| 3.4.7 迁移学习识别结果及分析 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 基于区域建议网络的细粒度车型识别 | 第59-70页 |
| 4.1 引言 | 第59页 |
| 4.2 区域建议网络模型 | 第59-64页 |
| 4.2.1 特征提取网络 | 第59-61页 |
| 4.2.2 批正则化优化 | 第61页 |
| 4.2.3 RPN网络 | 第61-63页 |
| 4.2.4 目标检测网络 | 第63-64页 |
| 4.2.5 非极大值抑制算法 | 第64页 |
| 4.3 实验结果与分析 | 第64-69页 |
| 4.3.1 实验设置 | 第65-66页 |
| 4.3.2 BMW-10数据集识别结果与分析 | 第66页 |
| 4.3.3 Cars-197数据集识别结果与分析 | 第66-67页 |
| 4.3.4 真实交通场景识别结果与分析 | 第67-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第76-77页 |
