基于深度学习的复杂场景下车载图像目标检测方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 引言 | 第7-15页 |
| 1.1 概述 | 第7-8页 |
| 1.2 研究现状 | 第8-12页 |
| 1.2.1 传统方法 | 第9-10页 |
| 1.2.2 深度学习方法 | 第10-12页 |
| 1.3 图像数据集 | 第12-13页 |
| 1.4 本文研究内容 | 第13-15页 |
| 2 卷积神经网络与目标检测方法 | 第15-30页 |
| 2.1 卷积神经网络发展历程 | 第15页 |
| 2.2 卷积神经网络基本结构 | 第15-22页 |
| 2.2.1 卷积层 | 第16-17页 |
| 2.2.2 池化层 | 第17页 |
| 2.2.3 激活函数层 | 第17-20页 |
| 2.2.4 全连接层 | 第20页 |
| 2.2.5 损失函数 | 第20-21页 |
| 2.2.6 反馈运算与训练 | 第21-22页 |
| 2.3 卷积神经网络重要概念 | 第22-23页 |
| 2.3.1 感受野 | 第22页 |
| 2.3.2 特征层次性 | 第22-23页 |
| 2.4 目标检测方法 | 第23-29页 |
| 2.4.1 FastR-CNN | 第23-26页 |
| 2.4.2 YOLO | 第26-28页 |
| 2.4.3 适用于车载图像的检测方法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于卷积神经网络的行人及车辆检测方法 | 第30-42页 |
| 3.1 目标检测框架与网络结构 | 第30-36页 |
| 3.2 适用于行人及车辆检测的网络结构设计 | 第36-40页 |
| 3.2.1 行人与车辆目标特征 | 第36-38页 |
| 3.2.2 考虑目标像素占比的模型设计 | 第38-39页 |
| 3.2.3 考虑目标信息分布的模型设计 | 第39页 |
| 3.2.4 考虑目标高宽比的模型设计 | 第39-40页 |
| 3.2.5 适用于KITTI数据集的整体模型设计 | 第40页 |
| 3.3 本章小结 | 第40-42页 |
| 4 实验设计与验证 | 第42-57页 |
| 4.1 实验设计 | 第42-43页 |
| 4.1.1 评价指标 | 第42-43页 |
| 4.1.2 对比实验 | 第43页 |
| 4.2 软硬件环境 | 第43-44页 |
| 4.3 数据集准备 | 第44页 |
| 4.4 模型训练与结果分析 | 第44-55页 |
| 4.4.1 网络训练 | 第44-45页 |
| 4.4.2 结果分析 | 第45-55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 结论与展望 | 第57-59页 |
| 5.1 结论 | 第57-58页 |
| 5.2 研究展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63页 |
| A.作者在攻读学位期间参与的科研项目 | 第63页 |
