基于深度学习的多角度车辆信息识别研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国内外车辆信息识别研究现状 | 第10-12页 |
| 1.2.2 深度学习发展应用现状 | 第12-14页 |
| 1.3 研究的主要目的及内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第二章 相关理论知识概述 | 第16-31页 |
| 2.1 神经网络 | 第16-23页 |
| 2.1.1 神经元模型 | 第16-17页 |
| 2.1.2 人工神经网络模型 | 第17-19页 |
| 2.1.3 反向传播算法 | 第19-20页 |
| 2.1.4 卷积神经网络 | 第20-23页 |
| 2.2 基于深度学习的目标检测识别算法 | 第23-30页 |
| 2.2.1 R-CNN目标检测识别算法 | 第23-24页 |
| 2.2.2 SPP-net检测识别算法 | 第24-26页 |
| 2.2.3 FastR-CNN检测识别算法 | 第26-27页 |
| 2.2.4 FasterR-CNN检测识别算法 | 第27-30页 |
| 2.3 caffe框架介绍 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于深度学习的车辆信息识别 | 第31-48页 |
| 3.1 车辆信息识别系统结构 | 第31-32页 |
| 3.2 道路车辆视频处理 | 第32-34页 |
| 3.3 车型及车辆品牌信息识别网络 | 第34-44页 |
| 3.3.1 特征提取 | 第36-39页 |
| 3.3.2 候选区域生成 | 第39-42页 |
| 3.3.3 分类位置精修网络 | 第42-44页 |
| 3.4 识别网络模型训练 | 第44-47页 |
| 3.4.1 训练参数设置 | 第44-46页 |
| 3.4.2 网络训练 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 实验结果与分析 | 第48-61页 |
| 4.1 实验环境与数据 | 第48-53页 |
| 4.1.1 实验环境 | 第48-49页 |
| 4.1.2 实验数据集 | 第49-53页 |
| 4.2 检测识别网络训练结果 | 第53-55页 |
| 4.3 车辆信息识别网络测试对比 | 第55-60页 |
| 4.3.1 型号识别网络测试结果 | 第55-57页 |
| 4.3.2 品牌识别网络测试结果 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
