基于卷积神经网络的场景理解方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 序言 | 第8-21页 |
| 1.1 卷积神经网络 | 第9-13页 |
| 1.1.1 CNN结构 | 第9-10页 |
| 1.1.2 CNN目标函数及优化 | 第10-12页 |
| 1.1.3 CNN相关研究 | 第12页 |
| 1.1.4 CNN可视化表达 | 第12-13页 |
| 1.2 条件随机场 | 第13-15页 |
| 1.2.1 全连接条件随机场 | 第14-15页 |
| 1.3 场景理解 | 第15-19页 |
| 1.3.1 交通标志检测 | 第16-17页 |
| 1.3.2 场景标注 | 第17-19页 |
| 1.4 本文贡献 | 第19-20页 |
| 1.5 论文结构 | 第20-21页 |
| 第2章 交通标志检测 | 第21-30页 |
| 2.1 问题描述 | 第21页 |
| 2.2 算法介绍 | 第21-25页 |
| 2.2.1 颜色转化 | 第22页 |
| 2.2.2 CNN模型 | 第22-23页 |
| 2.2.3 固定卷积核的CNN | 第23-25页 |
| 2.2.4 可变卷积核的CNN | 第25页 |
| 2.2.5 后处理 | 第25页 |
| 2.3 实验 | 第25-29页 |
| 2.3.1 数据预处理 | 第26页 |
| 2.3.2 实验分析 | 第26页 |
| 2.3.3 准确性 | 第26-27页 |
| 2.3.4 识别速度 | 第27-29页 |
| 2.4 本章总结 | 第29-30页 |
| 第3章 场景标注 | 第30-46页 |
| 3.1 问题描述 | 第30页 |
| 3.2 算法介绍 | 第30-35页 |
| 3.2.1 多尺度卷积神经网络 | 第30-34页 |
| 3.2.2 全连接条件随机场 | 第34-35页 |
| 3.3 实验 | 第35-42页 |
| 3.3.1 实验结果 | 第35页 |
| 3.3.2 数据集 | 第35-37页 |
| 3.3.3 卷积神经网络的参数选择 | 第37-38页 |
| 3.3.4 卷积神经网络的模型选择 | 第38-40页 |
| 3.3.5 条件随机场 | 第40-41页 |
| 3.3.6 结果分析 | 第41-42页 |
| 3.4 本章总结 | 第42-46页 |
| 第4章 总结及展望 | 第46-48页 |
| 4.1 论文工作总结 | 第46-47页 |
| 4.2 未来工作展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-53页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第53页 |
