| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 论文的背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 车辆跟踪研究现状及分析 | 第12-13页 |
| 1.2.2 道路场景理解研究现状及分析 | 第13-14页 |
| 1.3 本文的研究内容及创新之处 | 第14-15页 |
| 1.4 文章结构安排 | 第15-16页 |
| 第2章 基于颜色和局部二值模式特征的车辆跟踪算法 | 第16-22页 |
| 2.1 跟踪算法框架 | 第16-17页 |
| 2.2 特征提取 | 第17-18页 |
| 2.2.1 颜色特征 | 第17页 |
| 2.2.2 LBP特征 | 第17-18页 |
| 2.3 分类器的设计 | 第18-19页 |
| 2.4 实验与分析 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于跳层连接卷积神经网络的道路场景分割方法 | 第22-34页 |
| 3.1 深度学习概述 | 第22-26页 |
| 3.1.1 Alexnet网络 | 第22页 |
| 3.1.2 VGG网络 | 第22-23页 |
| 3.1.3 ResNet网络 | 第23-24页 |
| 3.1.4 用于语义分割的网络 | 第24-26页 |
| 3.2 网络结构 | 第26-29页 |
| 3.2.1 VGG特征提取 | 第27-28页 |
| 3.2.2 跳层反卷积块 | 第28-29页 |
| 3.3 数据集增强与评测指标 | 第29-31页 |
| 3.4 实验结果及对比分析 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 多尺度带孔卷积神经网络的道路场景分割方法 | 第34-41页 |
| 4.1 网络结构 | 第34-37页 |
| 4.1.1 编码器 | 第35页 |
| 4.1.2 译码器 | 第35-36页 |
| 4.1.3 预测器 | 第36-37页 |
| 4.2 数据集与评测指标 | 第37页 |
| 4.3 实验结果及对比分析 | 第37-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 双输入卷积神经网络的道路场景分割方法 | 第41-48页 |
| 5.1 网络架构 | 第41-44页 |
| 5.1.1 特征提取部分 | 第42-43页 |
| 5.1.2 融合部分 | 第43-44页 |
| 5.2 数据集与评测指标 | 第44-45页 |
| 5.3 实验结果与分析 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 本文工作总结 | 第48-49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间参加的科研项目和成果 | 第56-57页 |