| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 车辆目标检测算法研究现状 | 第12-13页 |
| 1.3 本文研究内容与组织结构 | 第13-15页 |
| 第2章 基于深度学习的目标检测算法 | 第15-32页 |
| 2.1 机器学习解决问题的思路 | 第15页 |
| 2.2 CNN概述 | 第15-20页 |
| 2.2.1 局部感受野 | 第15-16页 |
| 2.2.2 权值共享 | 第16页 |
| 2.2.3 CNN的结构 | 第16-20页 |
| 2.2.4 CNN的训练过程 | 第20页 |
| 2.3 目标检测算法概述 | 第20-32页 |
| 2.3.1 R-CNN | 第21-22页 |
| 2.3.2 Fast R-CNN | 第22-23页 |
| 2.3.3 Faster R-CNN | 第23-25页 |
| 2.3.4 YOLO | 第25-27页 |
| 2.3.5 YOLOv2 | 第27-29页 |
| 2.3.6 YOLO-V3 | 第29-30页 |
| 2.3.7 YOLO-V4 | 第30-32页 |
| 第3章 基于Mobile Net的车辆目标检测算法优化 | 第32-42页 |
| 3.1 轻量化卷积神经网络Mobile Net | 第32-34页 |
| 3.2 基于Mobile Net V2对YOLOv3 目标检测算法进行优化 | 第34-35页 |
| 3.3 基于Mobile Net V2 的车辆目标检测网络改进 | 第35-38页 |
| 3.4 损失函数设计 | 第38-39页 |
| 3.5 使用DCGAN增强数据集 | 第39-42页 |
| 第4章 基于Shuffle Net网络对车辆目标检测算法优化 | 第42-50页 |
| 4.1 Shuffle Net | 第42-44页 |
| 4.2 基于Shuffle Net的 YOLO v3 目标检测算法 | 第44-45页 |
| 4.3 基于Shuffle Net网络的车辆目标检测网络改进 | 第45-47页 |
| 4.4 损失函数设计 | 第47-48页 |
| 4.5 目标检测算法的梯度下降策略 | 第48-50页 |
| 第5章 实验仿真与结果分析 | 第50-58页 |
| 5.1 多进程技术加速网络训练 | 第51-52页 |
| 5.2 GPU计算加速网络训练 | 第52-54页 |
| 5.3 算法性能 | 第54-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
