基于注意力机制深度神经网络的车辆细分类系统设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状与趋势 | 第11-14页 |
| 1.2.1 车辆检测 | 第11-12页 |
| 1.2.2 车辆细粒度分类 | 第12-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文章节安排 | 第14-16页 |
| 第二章 相关技术介绍 | 第16-27页 |
| 2.1 卷积神经网络 | 第16-18页 |
| 2.1.1 经典卷积神经网络 | 第16-17页 |
| 2.1.2 残差神经网络 | 第17-18页 |
| 2.2 目标检测 | 第18-21页 |
| 2.2.1 RCNN算法 | 第18-20页 |
| 2.2.2 SSD算法 | 第20-21页 |
| 2.3 注意力机制 | 第21-26页 |
| 2.3.1 空间注意力模型 | 第22-23页 |
| 2.3.2 跨通道注意力模型 | 第23-25页 |
| 2.3.3 自然语言处理中的注意力模型 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于注意力模型的车辆细分类算法 | 第27-44页 |
| 3.1 车辆检测算法 | 第27-33页 |
| 3.1.1 Faster-RCNN算法 | 第27-29页 |
| 3.1.2 基于车辆域先验知识的算法改进 | 第29-31页 |
| 3.1.3 实验结果与分析 | 第31-33页 |
| 3.2 车辆判别性区域定位 | 第33-36页 |
| 3.2.1 视觉注意力 | 第33-34页 |
| 3.2.2 局部注意力模块 | 第34-36页 |
| 3.3 多层卷积特征融合 | 第36-39页 |
| 3.3.1 卷积神经网络的多层特征 | 第36-38页 |
| 3.3.2 注意力感知多层特征融合方法 | 第38-39页 |
| 3.4 基于车辆标签分层结构的损失函数约束 | 第39-40页 |
| 3.4.1 细粒度车辆标签分层结构 | 第39-40页 |
| 3.4.2 组交叉熵损失函数 | 第40页 |
| 3.5 实验结果与分析 | 第40-43页 |
| 3.5.1 CompCars数据集 | 第40-41页 |
| 3.5.2 车辆细分类结果 | 第41-42页 |
| 3.5.3 判别性区域可视化 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 车辆细分类系统设计与实现 | 第44-54页 |
| 4.1 系统需求分析 | 第44-45页 |
| 4.2 车辆细分类系统设计 | 第45-46页 |
| 4.2.1 图像输入与预处理模块设计 | 第45-46页 |
| 4.2.2 车辆细分类模块设计 | 第46页 |
| 4.2.3 车辆细分类网页服务模块设计 | 第46页 |
| 4.3 车辆细分类系统实现 | 第46-53页 |
| 4.3.1 系统开发环境 | 第46-47页 |
| 4.3.2 图像预处理模块实现 | 第47-49页 |
| 4.3.3 车辆细分类模块实现 | 第49-52页 |
| 4.3.4 车辆细分类网页服务模块实现 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文研究总结 | 第54页 |
| 5.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
