| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 无人驾驶汽车发展现状 | 第10-15页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-15页 |
| 1.3 无人驾驶车辆交通标志牌识别研究现状及分析 | 第15-16页 |
| 1.4 交通标志牌识别的难点 | 第16-17页 |
| 1.5 研究内容与技术路线 | 第17-19页 |
| 1.5.1 研究内容 | 第17-18页 |
| 1.5.2 技术路线 | 第18-19页 |
| 第二章 基于稠密网络的交通标志牌识别模型 | 第19-61页 |
| 2.1 卷积神经网络概述 | 第19-28页 |
| 2.1.1 卷积层 | 第19-21页 |
| 2.1.2 池化层 | 第21页 |
| 2.1.3 激活层 | 第21-24页 |
| 2.1.4 批规范化层 | 第24-25页 |
| 2.1.5 Dropout层 | 第25页 |
| 2.1.6 全连接层 | 第25-27页 |
| 2.1.7 瓶颈层 | 第27-28页 |
| 2.2 深层卷积神经网络概述 | 第28-48页 |
| 2.2.1 LeNet5网络 | 第28页 |
| 2.2.2 AlexNet网络 | 第28页 |
| 2.2.3 Overfeat网络 | 第28页 |
| 2.2.4 VGGNet网络 | 第28-30页 |
| 2.2.5 NetworkinNetwork网络 | 第30-31页 |
| 2.2.6 GoogLeNet网络 | 第31-39页 |
| 2.2.7 HighwayNetworks网络 | 第39页 |
| 2.2.8 ResidualNetwork网络 | 第39-44页 |
| 2.2.9 StochasticNetwork网络 | 第44-45页 |
| 2.2.10 FractalNet网络 | 第45-47页 |
| 2.2.11 ResNetinResNet网络 | 第47-48页 |
| 2.3 稠密网络 | 第48-54页 |
| 2.3.1 稠密网络概述 | 第48-53页 |
| 2.3.2 稠密网络扩展分析 | 第53-54页 |
| 2.4 交通标志牌识别稠密网络模型 | 第54-59页 |
| 2.4.1 预处理网络 | 第54-55页 |
| 2.4.2 宽浅稠密特征提取网络 | 第55-57页 |
| 2.4.3 分类网络 | 第57页 |
| 2.4.4 整体模型 | 第57-59页 |
| 2.5 本章小结 | 第59-61页 |
| 第三章 标志牌识别模型数据集扩增处理 | 第61-69页 |
| 3.1 数据集分析 | 第61-66页 |
| 3.1.1 训练集 | 第61-63页 |
| 3.1.2 验证集 | 第63-66页 |
| 3.1.3 数据集数量分布 | 第66页 |
| 3.2 数据集预处理 | 第66-68页 |
| 3.2.1 预处理网络结构 | 第66页 |
| 3.2.2 训练集扩增处理 | 第66-68页 |
| 3.3 本章小结 | 第68-69页 |
| 第四章 交通标志牌识别稠密网络模型训练与性能验证 | 第69-85页 |
| 4.1 模型超参数设置 | 第69-72页 |
| 4.1.1 损失函数 | 第69-71页 |
| 4.1.2 动态数据扩增策略 | 第71页 |
| 4.1.3 学习率变化策略 | 第71-72页 |
| 4.2 结果分析 | 第72-83页 |
| 4.2.1 预处理结果 | 第72-73页 |
| 4.2.2 训练结果 | 第73-75页 |
| 4.2.3 测试结果 | 第75-83页 |
| 4.3 本章小结 | 第83-85页 |
| 第五章 全文总结与后续展望 | 第85-87页 |
| 5.1 全文总结 | 第85-86页 |
| 5.2 创新点 | 第86页 |
| 5.3 后续展望 | 第86-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-94页 |
| 作者在攻读学位期间发表的论文及取得的科研成果 | 第94页 |
| A.在学期间发表的学术论文 | 第94页 |
| B.在学期间参与科研项目 | 第94页 |