| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究目的和意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-22页 |
| 1.2.1 车辆识别 | 第17-19页 |
| 1.2.2 精细分类 | 第19-22页 |
| 1.3 研究内容与组织结构 | 第22-24页 |
| 1.3.1 研究内容 | 第22-23页 |
| 1.3.2 组织结构 | 第23-24页 |
| 第二章 相关算法及数据集介绍 | 第24-34页 |
| 2.1 神经网络概述 | 第24-27页 |
| 2.1.1 神经网络的正向传播过程 | 第26-27页 |
| 2.1.2 神经网络的反向传播过程 | 第27页 |
| 2.2 卷积神经网络概述 | 第27-31页 |
| 2.2.1 卷积神经网络中的各种层结构 | 第28-30页 |
| 2.2.2 卷积层的反向传播过程 | 第30-31页 |
| 2.2.3 池化层的反向传播过程 | 第31页 |
| 2.3 车型识别数据集介绍 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于Fg-CarNet的车辆型号精细识别研究 | 第34-47页 |
| 3.1 卡口图像中车辆图像的特征分析 | 第34-35页 |
| 3.2 Fg-CarNet模型结构 | 第35-36页 |
| 3.3 分块特征提取 | 第36-39页 |
| 3.4 多维度特征融合 | 第39-41页 |
| 3.4.1 上下子特征融合 | 第39-40页 |
| 3.4.2 多尺度特征融合 | 第40-41页 |
| 3.5 实验结果与分析 | 第41-46页 |
| 3.5.1 数据集与实验环境 | 第41页 |
| 3.5.2 实验结果分析 | 第41-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 嵌入姿态信息的车辆型号精细识别研究 | 第47-59页 |
| 4.1 算法主要思想 | 第47-48页 |
| 4.2 姿态估计网络 | 第48-51页 |
| 4.2.1 Yolo算法概述 | 第48-49页 |
| 4.2.2 构建姿态估计网络 | 第49-51页 |
| 4.3 嵌入姿态信息的分类网络 | 第51-53页 |
| 4.4 实验和分析 | 第53-58页 |
| 4.4.1 数据集与实验环境 | 第53页 |
| 4.4.2 训练过程 | 第53-54页 |
| 4.4.3 实验结果分析 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-68页 |