| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 深度学习的研究现状 | 第10-11页 |
| 1.2.2 目标检测研究现状 | 第11-13页 |
| 1.2.3 目标分类研究现状 | 第13-14页 |
| 1.3 本文主要内容及章节安排 | 第14-16页 |
| 第二章 深度学习模型 | 第16-26页 |
| 2.1 概述 | 第16页 |
| 2.2 卷积神经网络 | 第16-25页 |
| 2.2.1 概述 | 第16页 |
| 2.2.2 卷积神经网络的构成 | 第16-20页 |
| 2.2.3 卷积神经网络的特点 | 第20-21页 |
| 2.2.4 卷积神经网络的训练机制 | 第21-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于深度学习的交通场景多目标检测系统设计 | 第26-44页 |
| 3.1 引言 | 第26页 |
| 3.2 目标检测模型简介 | 第26页 |
| 3.3 二阶目标检测模型 | 第26-29页 |
| 3.3.1 R-CNN | 第26-27页 |
| 3.3.2 FastR-CNN | 第27-28页 |
| 3.3.3 FasterR-CNN | 第28-29页 |
| 3.4 一阶目标检测模型 | 第29-34页 |
| 3.4.1 YOLO | 第29-31页 |
| 3.4.2 RetinaNet | 第31-33页 |
| 3.4.3 对比分析 | 第33-34页 |
| 3.5 交通场景多目标检测系统方案设计 | 第34-35页 |
| 3.5.1 简介 | 第34页 |
| 3.5.2 整体结构 | 第34-35页 |
| 3.6 交通场景多目标检测系统网络结构设计 | 第35-42页 |
| 3.6.1 特征提取网络 | 第35-36页 |
| 3.6.2 特征金字塔网络 | 第36-38页 |
| 3.6.3 子网络 | 第38页 |
| 3.6.4 改进特征提取网络 | 第38-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第四章 基于深度学习的交通场景目标分类系统 | 第44-53页 |
| 4.1 概述 | 第44页 |
| 4.2 图像分类网络 | 第44-47页 |
| 4.2.1 LeNet-5 | 第44-45页 |
| 4.2.2 AlexNet | 第45页 |
| 4.2.3 VGGNet | 第45-47页 |
| 4.3 基于深度学习的交通场景目标分类系统方案设计 | 第47-51页 |
| 4.3.1 交通标志分类系统 | 第47-50页 |
| 4.3.2 车辆细分类系统 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 实验与分析 | 第53-63页 |
| 5.1 实验环境 | 第53页 |
| 5.2 数据集 | 第53-54页 |
| 5.3 目标检测系统实验过程 | 第54-56页 |
| 5.3.1 迁移学习 | 第54-55页 |
| 5.3.2 训练过程 | 第55-56页 |
| 5.4 交通场景目标细分类系统实验过程 | 第56-58页 |
| 5.4.1 交通标志细分类网络训练过程 | 第56-57页 |
| 5.4.2 车辆细分类网络训练过程 | 第57-58页 |
| 5.5 交通场景多目标检测实拍视频测试 | 第58-62页 |
| 5.5.1 交通场景检测分析 | 第58-60页 |
| 5.5.2 交通场景数据分析 | 第60-62页 |
| 5.6 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 工作总结 | 第63页 |
| 研究展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |