| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 交通标志识别的研究难点 | 第14-15页 |
| 1.2.2 传统方法研究现状 | 第15-16页 |
| 1.2.3 基于卷积神经网络交通标志识别方法 | 第16-18页 |
| 1.3 论文主要内容与章节安排 | 第18-20页 |
| 第2章 人工神经网络理论 | 第20-30页 |
| 2.1 神经网络结构 | 第20-21页 |
| 2.2 反向传播算法 | 第21-24页 |
| 2.2.1 反向传播算法结构 | 第21-22页 |
| 2.2.2 反向传播算法原理 | 第22-24页 |
| 2.3 卷积神经网络 | 第24-29页 |
| 2.3.1 卷积层 | 第24-26页 |
| 2.3.2 池化层 | 第26-27页 |
| 2.3.3 全连接层 | 第27页 |
| 2.3.4 初始模块 | 第27-28页 |
| 2.3.5 残差模块 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于卷积神经网络的目标检测算法 | 第30-39页 |
| 3.1 R-CNN | 第30-31页 |
| 3.2 Fast R-CNN | 第31-33页 |
| 3.3 Faster R-CNN | 第33-36页 |
| 3.4 YOLO | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于改进Faster R-CNN的交通标志识别 | 第39-51页 |
| 4.1 交通标志数据集简介 | 第39-40页 |
| 4.2 原网络结构 | 第40-43页 |
| 4.3 基于改进VGG16的交通标志识别 | 第43-46页 |
| 4.3.1 交通标志识别方案 | 第43页 |
| 4.3.2 改进后的网络结构 | 第43-44页 |
| 4.3.3 改进模型的方法 | 第44-46页 |
| 4.4 仿真设置及结果分析 | 第46-50页 |
| 4.4.1 训练过程 | 第46-48页 |
| 4.4.2 评估结果对比分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 基于改进YOLO网络的交通标志识别 | 第51-63页 |
| 5.1 原网络模型 | 第51-53页 |
| 5.2 基于改进YOLOv2的交通标志识别 | 第53-56页 |
| 5.2.1 改进后的网络结构 | 第53-55页 |
| 5.2.2 损失函数的优化 | 第55-56页 |
| 5.3 仿真设置及结果分析 | 第56-62页 |
| 5.3.1 训练过程 | 第57页 |
| 5.3.2 构架分析 | 第57-58页 |
| 5.3.3 损失函数结果分析 | 第58-59页 |
| 5.3.4 评估结果对比分析 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 未来展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71页 |