| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 交通图像车辆目标及ROI检测技术综述 | 第14-31页 |
| 2.1 车辆目标及ROI检测提取技术基础 | 第15-21页 |
| 2.1.1 特征模型 | 第15-18页 |
| 2.1.2 分类器 | 第18-21页 |
| 2.2 常见车辆目标及ROI检测提取技术 | 第21-27页 |
| 2.2.1 视觉注意模型 | 第21-22页 |
| 2.2.2 模板匹配 | 第22-23页 |
| 2.2.3 基于分类的检测方法 | 第23-27页 |
| 2.3 基于GPU的并行计算 | 第27-30页 |
| 2.3.1 GPU并行计算发展历程 | 第28页 |
| 2.3.2 CUDA的编程模型 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于卷积神经网络的交通图像车辆目标及ROI检测 | 第31-49页 |
| 3.1 基于卷积神经网络的目标检测算法 | 第31-34页 |
| 3.1.1 基于Region Proposal的目标检测算法 | 第31-33页 |
| 3.1.2 基于回归方法的目标检测算法 | 第33-34页 |
| 3.2 基于卷积神经网络的交通图像车辆目标及ROI检测 | 第34-45页 |
| 3.2.1 车辆目标及ROI数据集 | 第34-36页 |
| 3.2.2 基于卷积神经网络结构的车辆及ROI检测 | 第36-38页 |
| 3.2.3 训练卷积神经网络 | 第38-40页 |
| 3.2.4 卷积神经网络的参数调节 | 第40-45页 |
| 3.3 实验结果分析 | 第45-48页 |
| 3.3.1 实验结果及分析 | 第45-48页 |
| 3.3.2 限制性能的瓶颈 | 第48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于多GPU的车辆目标及ROI检测系统的设计与实现 | 第49-56页 |
| 4.1 多GPU计算 | 第49-52页 |
| 4.1.1 设计方案 | 第49-51页 |
| 4.1.2 实验结果与性能分析 | 第51-52页 |
| 4.2 系统设计方案 | 第52-53页 |
| 4.2.1 开发环境 | 第52页 |
| 4.2.2 功能描述及设计方案 | 第52-53页 |
| 4.3 系统运行结果及分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第64页 |
