基于优化的VGG模型道路交通标志识别研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状分析 | 第12-15页 |
| 1.2.1 国外现状分析 | 第12-13页 |
| 1.2.2 国内现状分析 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文主要结构安排 | 第16-18页 |
| 第二章 交通标志识别的相关技术研究 | 第18-26页 |
| 2.1 交通标志基本知识 | 第18-19页 |
| 2.1.1 警告标志 | 第18页 |
| 2.1.2 指示标志 | 第18-19页 |
| 2.1.3 禁令标志 | 第19页 |
| 2.2 交通标志识别系统框架 | 第19页 |
| 2.3 交通标志检测算法 | 第19-21页 |
| 2.4 交通标志识别算法 | 第21-22页 |
| 2.4.1 模板匹配法 | 第21页 |
| 2.4.2 统计分类法 | 第21-22页 |
| 2.4.3 支持向量机方法 | 第22页 |
| 2.4.4 卷积神经网络方法 | 第22页 |
| 2.5 主要研究难点及发展趋势 | 第22-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 基于卷积神经网络的交通标志识别 | 第26-40页 |
| 3.1 人工神经网络 | 第26-30页 |
| 3.1.1 感知器单元 | 第26-29页 |
| 3.1.2 多层前馈网络和BP算法 | 第29-30页 |
| 3.2 卷积神经网络 | 第30-35页 |
| 3.2.1 卷积神经网络结构 | 第31-32页 |
| 3.2.2 空间降采样 | 第32页 |
| 3.2.3 卷积层梯度计算 | 第32-33页 |
| 3.2.4 降采样层梯度计算 | 第33-34页 |
| 3.2.5 全连接层 | 第34-35页 |
| 3.2.6 激活函数 | 第35页 |
| 3.3 卷积神经在图像分类中的应用 | 第35-36页 |
| 3.4 基于卷积神经网络的交通标志识别 | 第36-37页 |
| 3.5 结果分析与讨论 | 第37-39页 |
| 3.5.1 德国交通标志数据集上的实验 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于优化的VGG模型道路交通标志识别 | 第40-54页 |
| 4.1 VGG模型简介 | 第40-42页 |
| 4.2 数据增强与迁移学习 | 第42-44页 |
| 4.3 线性修正单元与交叉熵损失 | 第44-45页 |
| 4.4 优化的VGG模型 | 第45-46页 |
| 4.5 实验结果分析 | 第46-52页 |
| 4.5.1 数据集 | 第46-47页 |
| 4.5.2 评价标准 | 第47-48页 |
| 4.5.3 训练策略 | 第48页 |
| 4.5.4 实验环境 | 第48页 |
| 4.5.5 实验结果分析 | 第48-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54页 |
| 5.2 下一步展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 附录 (攻读硕士学位期间发表和录用的学术论文) | 第62页 |
