基于深度学习的车型识别算法研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究的背景、意义和目的 | 第11-12页 |
| 1.2 车辆检测研究现状 | 第12-14页 |
| 1.3 车型分类研究现状 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 卷积神经网络 | 第17-29页 |
| 2.1 起源 | 第17-18页 |
| 2.2 卷积理论基础 | 第18-25页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 池化层 | 第19-20页 |
| 2.2.3 激活函数 | 第20-22页 |
| 2.2.4 损失函数 | 第22-23页 |
| 2.2.5 梯度下降法 | 第23-25页 |
| 2.3 卷积网络结构 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于区域的卷积神经网络的发展及改进 | 第29-39页 |
| 3.1 概述 | 第29页 |
| 3.2 基于区域的卷积神经网络系列算法 | 第29-35页 |
| 3.2.1 Rcnn | 第29-30页 |
| 3.2.2 SPP-net | 第30-32页 |
| 3.2.3 FastR-cnn | 第32-33页 |
| 3.2.4 FasterR-cnn | 第33-34页 |
| 3.2.5 对比分析 | 第34-35页 |
| 3.3 改进基于区域的卷积神经网络 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 车型分类网络设计 | 第39-51页 |
| 4.1 概述 | 第39页 |
| 4.2 卷积神经网络 | 第39-48页 |
| 4.2.1 浅层卷积神经网络 | 第39-42页 |
| 4.2.2 复杂卷积神经网络 | 第42-47页 |
| 4.2.3 对比分析 | 第47-48页 |
| 4.3 实验确定最优车型分类网络 | 第48-49页 |
| 4.4 车型分类网络设计 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 实验与分析 | 第51-67页 |
| 5.1 数据集介绍及评价方法 | 第51-53页 |
| 5.1.1 常用数据集 | 第51-52页 |
| 5.1.2 评价方法 | 第52-53页 |
| 5.2 可视化理解 | 第53-54页 |
| 5.3 BIT-VehicleID车辆检测实验 | 第54-64页 |
| 5.3.1 实验环境 | 第54页 |
| 5.3.2 数据预处理 | 第54-55页 |
| 5.3.3 车型检测实验分析 | 第55-64页 |
| 5.4 车型分类实验分析 | 第64-66页 |
| 5.4.1 实验过程 | 第64-65页 |
| 5.4.2 车型分类结果分析 | 第65-66页 |
| 5.5 本章总结 | 第66-67页 |
| 第六章 总结与展望 | 第67-68页 |
| 6.1 总结 | 第67页 |
| 6.2 本文工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间论文发表及科研情况 | 第72-73页 |
| 致谢 | 第73页 |
