| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究进展与现状 | 第17-20页 |
| 1.3 论文研究内容与安排 | 第20-22页 |
| 第二章 基本理论与技术 | 第22-30页 |
| 2.1 卷积神经网络 | 第22-24页 |
| 2.1.1 卷积神经网络基本结构 | 第22-23页 |
| 2.1.2 多尺度卷积神经网络 | 第23-24页 |
| 2.2 全卷积神经网络 | 第24-25页 |
| 2.3 集成学习 | 第25页 |
| 2.4 超像素分割 | 第25-26页 |
| 2.5 条件随机场 | 第26-27页 |
| 2.6 眼动仪及其应用 | 第27-30页 |
| 第三章 基于卷积神经网络的交通标志检测与识别 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 基于卷积神经网络的交通标志的检测与识别 | 第30-34页 |
| 3.2.1 候选区域提取 | 第31-33页 |
| 3.2.2 基于卷积神经网络的区域特征提取 | 第33-34页 |
| 3.2.3 基于朴素贝叶斯分类器的集成分类 | 第34页 |
| 3.3 实验结果与分析 | 第34-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 基于条件随机场的交通标志检测与识别 | 第40-50页 |
| 4.1 引言 | 第40页 |
| 4.2 基于条件随机场的交通路标的检测与识别 | 第40-44页 |
| 4.2.1 基于超像素分割的颜色先验特征图 | 第40-41页 |
| 4.2.2 基于贝叶斯的颜色概率特征图 | 第41-42页 |
| 4.2.3 基于条件随机场的颜色特征图融合 | 第42-44页 |
| 4.2.4 基于多尺度卷积神经网络的交通标志的分类识别 | 第44页 |
| 4.3 实验结果与分析 | 第44-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第五章 基于眼动信息引导与全卷积神经网络的交通标志检测与识别 | 第50-60页 |
| 5.1 引言 | 第50页 |
| 5.2 基于眼动信息引导与全卷积神经网络的交通标志检测与识别 | 第50-56页 |
| 5.2.1 眼动数据获取与处理 | 第51-52页 |
| 5.2.2 基于全卷积网络的区域分割 | 第52-54页 |
| 5.2.3 候选区域提取 | 第54-56页 |
| 5.2.4 基于改进的卷积神经网络的交通标志的分类识别 | 第56页 |
| 5.3 实验结果与分析 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
