基于深度学习的智能汽车容错感知与决策控制方法研究
| 摘要 | 第5-8页 |
| Abstract | 第8-11页 |
| 1 绪论 | 第16-43页 |
| 1.1 课题的研究背景及意义 | 第16-18页 |
| 1.2 智能车系统的研究现状及存在的问题 | 第18-27页 |
| 1.2.1 图像恢复/增强方法 | 第20-21页 |
| 1.2.2 场景预测方法 | 第21-22页 |
| 1.2.3 目标检测方法 | 第22-25页 |
| 1.2.4 决策控制方法 | 第25-27页 |
| 1.3 深度学习算法的研究现状 | 第27-36页 |
| 1.3.1 多层感知器 | 第28-29页 |
| 1.3.2 深度置信网络 | 第29-30页 |
| 1.3.3 自动编码机 | 第30-32页 |
| 1.3.4 循环神经网络模型 | 第32-35页 |
| 1.3.5 深度学习在ADAS系统上的应用 | 第35-36页 |
| 1.4 增强学习算法的研究现状 | 第36-39页 |
| 1.4.1 增强学习 | 第36-37页 |
| 1.4.2 模仿学习 | 第37-39页 |
| 1.4.3 增强学习在ADAS系统上的应用 | 第39页 |
| 1.5 本文研究的主要内容 | 第39-43页 |
| 2 基于深度学习的图像恢复方法 | 第43-75页 |
| 2.1 引言 | 第43-44页 |
| 2.2 雾霾图像模型 | 第44-45页 |
| 2.3 基于暗通道的改进快速图像恢复算法 | 第45-49页 |
| 2.3.1 暗通道提取 | 第45-47页 |
| 2.3.2 透射率评估 | 第47-48页 |
| 2.3.3 雾霾图像恢复 | 第48页 |
| 2.3.4 按颜色通道微调 | 第48-49页 |
| 2.4 基于SC-DCNN的图像恢复算法 | 第49-55页 |
| 2.4.1 逐层监督学习的卷积神经网络算法 | 第49-50页 |
| 2.4.2 子网络模型 | 第50-53页 |
| 2.4.3 网络结构与训练方法 | 第53-54页 |
| 2.4.4 神经网络算法与传统算法的关系 | 第54-55页 |
| 2.5 基于GAN网络的雾霾图片恢复算法 | 第55-61页 |
| 2.5.1 图片翻译 | 第55页 |
| 2.5.2 网络结构 | 第55-58页 |
| 2.5.3 训练方法与改进 | 第58-60页 |
| 2.5.4 GAN网络方法与传统算法之间的关系 | 第60-61页 |
| 2.6 实验及讨论 | 第61-73页 |
| 2.6.1 改进DCP图片恢复算法实验 | 第61-66页 |
| 2.6.2 基于深度学习的图像恢复方法 | 第66-71页 |
| 2.6.3 图片恢复算法对ADAS系统的帮助 | 第71-73页 |
| 2.7 总结 | 第73-75页 |
| 3 基于改进循环神经网络的场景预测方法 | 第75-99页 |
| 3.1 引言 | 第75-76页 |
| 3.2 残差循环神经网络 | 第76-81页 |
| 3.2.1 循环神经网络的梯度问题 | 第77-79页 |
| 3.2.2 残差网络结构 | 第79-80页 |
| 3.2.3 残差循环神经网络分析 | 第80-81页 |
| 3.3 残差循环神经网络对雷达信号的预测 | 第81-83页 |
| 3.3.1 雷达信号语言模型 | 第82页 |
| 3.3.2 模型结构 | 第82-83页 |
| 3.4 残差循环卷积神经网络对视频信号的预测 | 第83-87页 |
| 3.4.1 残差循环卷积神经网络 | 第84-85页 |
| 3.4.2 视频预测网络结构 | 第85-87页 |
| 3.5 移动场景预测网络 | 第87-89页 |
| 3.5.1 模型结构 | 第87-88页 |
| 3.5.2 训练方法 | 第88页 |
| 3.5.3 移动场景预测网络的物理意义 | 第88-89页 |
| 3.6 实验及讨论 | 第89-98页 |
| 3.6.1 Res-RNN网络能力验证 | 第89-94页 |
| 3.6.2 Res-RNN场景预测 | 第94-97页 |
| 3.6.3 移动场景预测 | 第97-98页 |
| 3.7 总结 | 第98-99页 |
| 4 基于深度学习的加强目标检测方法 | 第99-115页 |
| 4.1 引言 | 第99-100页 |
| 4.2 基于回归的加强目标识别方法 | 第100-107页 |
| 4.2.1 基础模型 | 第100-102页 |
| 4.2.2 训练方法 | 第102-104页 |
| 4.2.3 方法改进 | 第104-107页 |
| 4.3 实验及讨论 | 第107-114页 |
| 4.3.1 加强目标检测数据库 | 第107-109页 |
| 4.3.2 基础模型实验 | 第109-111页 |
| 4.3.3 改进模型实验 | 第111-114页 |
| 4.4 总结 | 第114-115页 |
| 5 基于深度学习的ADAS系统决策控制方法 | 第115-134页 |
| 5.1 引言 | 第115-116页 |
| 5.2 文本边界增强学习控制决策方法 | 第116-122页 |
| 5.2.1 文本学习网络 | 第117-119页 |
| 5.2.2 基于GAN网络的增强学习模型 | 第119-122页 |
| 5.2.3 文本边界的增强学习模型 | 第122页 |
| 5.3 基于深度学习的闭环控制方法 | 第122-127页 |
| 5.3.1 反馈回路的深度学习控制方法 | 第123-124页 |
| 5.3.2 网络结构与训练方法 | 第124-127页 |
| 5.4 实验及讨论 | 第127-132页 |
| 5.4.1 文本边界增强学习控制方法实验 | 第127-130页 |
| 5.4.2 基于深度学习的闭环控制方法实验 | 第130-132页 |
| 5.5 总结 | 第132-134页 |
| 6 总结 | 第134-139页 |
| 6.1 研究工作总结 | 第134-136页 |
| 6.2 研究工作展望 | 第136-139页 |
| 参考文献 | 第139-147页 |
| 致谢 | 第147-148页 |
| 个人简介 | 第148-149页 |
| 在学期间取得的科研成果 | 第149页 |
