基于迁移学习和深度卷积神经网络的车标识别方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 课题来源 | 第15页 |
| 1.3 国内外研究现状 | 第15-19页 |
| 1.3.1 车标识别研究现状 | 第15-17页 |
| 1.3.2 深度学习研究现状 | 第17-19页 |
| 1.4 研究内容 | 第19-20页 |
| 1.5 论文组织结构 | 第20-22页 |
| 第二章 应用场景及相关技术 | 第22-33页 |
| 2.1 应用需求 | 第22-24页 |
| 2.1.1 车标细粒度分类 | 第22-23页 |
| 2.1.2 复杂环境 | 第23-24页 |
| 2.2 应用场景 | 第24-25页 |
| 2.2.1 速通式安检卡口 | 第24-25页 |
| 2.2.2 套牌车识别 | 第25页 |
| 2.2.3 车辆布控查询 | 第25页 |
| 2.3 卷积神经网络 | 第25-32页 |
| 2.3.1 卷积神经网络特点 | 第25-27页 |
| 2.3.2 卷积神经网络的网络层次 | 第27-31页 |
| 2.3.3 参数设置 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于ResNet网络的车标识别 | 第33-45页 |
| 3.1 问题描述 | 第33-34页 |
| 3.2 迁移学习 | 第34-36页 |
| 3.2.1 迁移学习概念 | 第34页 |
| 3.2.2 迁移学习的定义 | 第34-36页 |
| 3.3 经典深度卷积神经网络 | 第36-39页 |
| 3.3.1 AlexNet | 第36页 |
| 3.3.2 VGGNet | 第36-37页 |
| 3.3.3 GoogleNet | 第37页 |
| 3.3.4 ResNet | 第37-39页 |
| 3.4 ResNet结合迁移学习 | 第39-43页 |
| 3.4.1 目标方程与优化 | 第40-42页 |
| 3.4.2 算法描述 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 细粒度分类与车标识别 | 第45-56页 |
| 4.1 卷积神经网络结合多分类SVM | 第45-48页 |
| 4.1.1 目标方程 | 第45-47页 |
| 4.1.2 算法描述 | 第47-48页 |
| 4.2 双线性特征分类 | 第48-50页 |
| 4.2.1 双线性特征 | 第48页 |
| 4.2.2 双线性特征结合SVM | 第48-49页 |
| 4.2.3 算法描述 | 第49-50页 |
| 4.3 模型压缩 | 第50-55页 |
| 4.3.1 特征分解 | 第50-51页 |
| 4.3.2 低秩分解结合SVM | 第51-53页 |
| 4.3.3 算法描述 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 实验结果与分析 | 第56-69页 |
| 5.1 实验准备 | 第56-62页 |
| 5.1.1 实验环境 | 第56页 |
| 5.1.2 数据预处理 | 第56-61页 |
| 5.1.3 数据集介绍 | 第61-62页 |
| 5.2 实验实施 | 第62-65页 |
| 5.2.1 算法超参数设置 | 第62-63页 |
| 5.2.2 算法评估方法 | 第63-64页 |
| 5.2.3 算法过程 | 第64-65页 |
| 5.3 算法的结果以及分析 | 第65-66页 |
| 5.3.1 算法结果 | 第65页 |
| 5.3.2 结果分析 | 第65-66页 |
| 5.4 算法鲁棒性分析 | 第66-68页 |
| 5.4.1 光照鲁棒性测试 | 第66-67页 |
| 5.4.2 噪声鲁棒性测试 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间发表的论文 | 第75-76页 |
| 攻读学位期间参加的科研项目 | 第76-78页 |
| 致谢 | 第78页 |
