| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 交通标志检测算法研究现状 | 第11-15页 |
| 1.2.1 基于传统方法的交通标志检测算法 | 第11-13页 |
| 1.2.2 基于深度学习的交通标志检测算法 | 第13-15页 |
| 1.3 交通标志检测难点 | 第15-18页 |
| 1.4 本文研究内容及章节安排 | 第18-20页 |
| 第二章 基于深度学习的目标检测方法基础 | 第20-32页 |
| 2.1 卷积神经网络 | 第20-25页 |
| 2.1.1 局部感受野 | 第20-22页 |
| 2.1.2 权值共享 | 第22-23页 |
| 2.1.3 池化 | 第23-24页 |
| 2.1.4 典型网络结构 | 第24-25页 |
| 2.2 两阶段的深度目标检测方法 | 第25-27页 |
| 2.2.1 R-CNN算法 | 第25-26页 |
| 2.2.2 SPP-net算法 | 第26-27页 |
| 2.3 单阶段的深度目标检测方法 | 第27-30页 |
| 2.3.1 YOLO算法 | 第28-29页 |
| 2.3.2 SSD系列算法 | 第29-30页 |
| 2.4 评价方法 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于改进YOLOv2的实时中国交通标志检测算法 | 第32-50页 |
| 3.1 YOLOv2算法 | 第32-35页 |
| 3.1.1 Anchor Box | 第32-34页 |
| 3.1.2 网络模型 | 第34-35页 |
| 3.2 基于改进YOLOv2的实时交通标志检测算法 | 第35-40页 |
| 3.2.1 实时的交通标志检测算法 | 第35-36页 |
| 3.2.2 改进的YOLOv2网络模型 | 第36-40页 |
| 3.3 中国交通标志数据集 | 第40-42页 |
| 3.4 实验与分析 | 第42-48页 |
| 3.4.1 网络结构参数及训练 | 第42-45页 |
| 3.4.2 中国交通标志数据集上的实验结果及分析 | 第45-47页 |
| 3.4.3 德国交通标志数据集上的实验结果及分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于Fire模块的卷积神经网络及在交通标志检测中的应用 | 第50-60页 |
| 4.1 卷积神经网络的结构分类 | 第50-53页 |
| 4.1.1 微型结构 | 第51页 |
| 4.1.2 宏观结构 | 第51-52页 |
| 4.1.3 模型压缩 | 第52-53页 |
| 4.2 Fire模块及网络结构设计 | 第53-55页 |
| 4.2.1 Fire模块 | 第53-54页 |
| 4.2.2 网络结构设计 | 第54-55页 |
| 4.3 实验与分析 | 第55-59页 |
| 4.3.1 实验环境及相关参数 | 第55-57页 |
| 4.3.2 中国交通标志数据集上的实验结果及分析 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读硕士学位期间发表和录用的学术论文 | 第67-68页 |
| 附录B 攻读硕士学位期间参与的科研项目 | 第68页 |
