| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外的研究现状 | 第9-11页 |
| 1.2.1 国外研究状态 | 第9-10页 |
| 1.2.2 国内研究状态 | 第10-11页 |
| 1.2.3 基于卷积神经网络的交通标志识别发展状况 | 第11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 章节安排 | 第12页 |
| 1.5 本章小结 | 第12-13页 |
| 2 卷积神经网络理论概述 | 第13-25页 |
| 2.1 人工神经网络 | 第13-15页 |
| 2.1.1 感知器 | 第13-14页 |
| 2.1.2 激活函数 | 第14-15页 |
| 2.2 误差反向传播网络 | 第15-19页 |
| 2.2.1 BP神经元 | 第15-16页 |
| 2.2.2 BP神经网络构成 | 第16-17页 |
| 2.2.3 正向传播 | 第17-18页 |
| 2.2.4 反向传播 | 第18-19页 |
| 2.3 卷积神经网络 | 第19-24页 |
| 2.3.1 卷积神经网络结构 | 第20页 |
| 2.3.2 局部感知 | 第20-21页 |
| 2.3.3 参数共享 | 第21页 |
| 2.3.4 多卷积核 | 第21-23页 |
| 2.3.5 池化 | 第23页 |
| 2.3.6 网络整体构架 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于2-channel network网络模型 | 第25-33页 |
| 3.1 Siamese网络模型 | 第25-27页 |
| 3.1.1 Siamese模型原理 | 第25-26页 |
| 3.1.2 改进Siamese网络结构 | 第26-27页 |
| 3.2 基于2-channel的卷积神经网络 | 第27-31页 |
| 3.2.1 Contrastive损失函数 | 第27页 |
| 3.2.2 网络结构的设计 | 第27-29页 |
| 3.2.3 中心环绕双支网络模型 | 第29-30页 |
| 3.2.4 网络模型2-channel实验结果 | 第30-31页 |
| 3.2.5 网络模型2-channel的优点与缺点 | 第31页 |
| 3.3 本章小结 | 第31-33页 |
| 4 TrafficNet网络的研究与改进 | 第33-52页 |
| 4.1 TrafficNet网络模型 | 第33-39页 |
| 4.1.1 Inception结构 | 第33-34页 |
| 4.1.2 GoogleNet结构简述 | 第34-36页 |
| 4.1.3 Batch Normalization | 第36-37页 |
| 4.1.4 TrafficNet网络模型结构的改进 | 第37-39页 |
| 4.2 TrafficNet模型的训练与实验分析 | 第39-50页 |
| 4.2.1 图片数据库 | 第39-41页 |
| 4.2.2 实验的软硬件平台 | 第41页 |
| 4.2.3 TrafficNet网络模型预分析 | 第41-42页 |
| 4.2.4 TrafficNet网络模型训练实验过程 | 第42-48页 |
| 4.2.5 Inception结构设计实验对比 | 第48-49页 |
| 4.2.6 TrafficNet与其他传统方法对比 | 第49-50页 |
| 4.2.7 TrafficNet网络的优点与缺点 | 第50页 |
| 4.3 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |
