基于深度学习的车辆行人检测与道路场景深度估计研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 引言 | 第11-16页 |
| 1.1 课题的研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 车辆行人检测研究现状分析 | 第11-13页 |
| 1.2.2 单目深度估计现状分析 | 第13-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 深度学习概述 | 第16-24页 |
| 2.1 深度学习 | 第16页 |
| 2.2 卷积神经网络 | 第16-19页 |
| 2.2.1 局部连接 | 第17-18页 |
| 2.2.2 权值共享 | 第18页 |
| 2.2.3 池化 | 第18-19页 |
| 2.2.4 多层卷积 | 第19页 |
| 2.3 主流特征提取网络介绍 | 第19-23页 |
| 2.3.1 AlexNet模型 | 第19-20页 |
| 2.3.2 VGG模型 | 第20-21页 |
| 2.3.3 ResNet模型 | 第21页 |
| 2.3.4 SqueezeNet模型 | 第21-22页 |
| 2.3.5 DenseNet模型 | 第22-23页 |
| 2.4 实验环境软硬件介绍 | 第23-24页 |
| 第3章 基于卷积神经网络的车辆和行人检测 | 第24-33页 |
| 3.1 FasterRCNN开源网络框架介绍 | 第24-25页 |
| 3.2 基于卷积神经网络的车辆和行人目标检测框架 | 第25-27页 |
| 3.2.1 OHEM算法 | 第26页 |
| 3.2.2 Soft-nms算法 | 第26页 |
| 3.2.3 基于FasterRCNN的算法设计 | 第26-27页 |
| 3.3 实验与分析 | 第27-32页 |
| 3.3.1 实验数据 | 第27-29页 |
| 3.3.2 试验环境 | 第29页 |
| 3.3.3 实验结果与分析 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于卷积神经网络的道路场景深度估计 | 第33-42页 |
| 4.1 多尺度卷积神经网络框架 | 第33-35页 |
| 4.2 多尺度卷积神经网络构成 | 第35-37页 |
| 4.2.1 编码阶段 | 第35-36页 |
| 4.2.2 解码阶段 | 第36页 |
| 4.2.3 深度预测 | 第36-37页 |
| 4.2.4 损失函数 | 第37页 |
| 4.3 实验与分析 | 第37-40页 |
| 4.3.1 实验数据 | 第37-38页 |
| 4.3.2 实验结果与分析 | 第38-40页 |
| 4.4 本章小结 | 第40-42页 |
| 第5章 基于金字塔池化网络的道路场景深度估计方法 | 第42-50页 |
| 5.1 神经网络框架模型 | 第42页 |
| 5.2 基于金字塔网络构成 | 第42-45页 |
| 5.2.1 特征提取部分 | 第42-43页 |
| 5.2.2 恢复尺度部分 | 第43-44页 |
| 5.2.3 金字塔池化网络部分 | 第44-45页 |
| 5.2.4 损失函数 | 第45页 |
| 5.3 实验与分析 | 第45-48页 |
| 5.3.1 数据增强 | 第45-46页 |
| 5.3.2 评测指标与实验分析 | 第46-48页 |
| 5.4 本章小结 | 第48-50页 |
| 第6章 结语 | 第50-52页 |
| 6.1 结语 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间参加的科研项目和成果 | 第59-60页 |
