| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外深度学习的研究现状 | 第10-11页 |
| 1.3 国内外目标识别的研究现状 | 第11-12页 |
| 1.4 论文的主要内容及章节安排 | 第12-14页 |
| 第2章 深度学习与卷积神经网络 | 第14-29页 |
| 2.1 深度学习概述 | 第14-16页 |
| 2.2 神经网络基础 | 第16-22页 |
| 2.2.1 激活函数 | 第17-18页 |
| 2.2.2 反向传播算法 | 第18-22页 |
| 2.3 卷积神经网络 | 第22-27页 |
| 2.3.1 卷积神经网络的结构 | 第22-25页 |
| 2.3.2 卷积神经网络的特点 | 第25-26页 |
| 2.3.3 边缘检测 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于深度学习的目标识别算法研究 | 第29-40页 |
| 3.1 目标识别 | 第29页 |
| 3.2 常见目标识别算法对比 | 第29-34页 |
| 3.3 YOLO算法 | 第34-39页 |
| 3.3.1 边界框预测 | 第34-35页 |
| 3.3.2 非极大值抑制 | 第35-36页 |
| 3.3.3 固定边界框 | 第36-37页 |
| 3.3.4 YOLO的损失函数 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 改进tiny-yolo模型的设计与实现 | 第40-56页 |
| 4.1 网络结构设计 | 第40-41页 |
| 4.2 NIN卷积层 | 第41-43页 |
| 4.3 NIN卷积层在改进模型中的作用 | 第43-44页 |
| 4.4 优化算法 | 第44-45页 |
| 4.4.1 mini-batch和动量梯度下降算法 | 第44页 |
| 4.4.2 批归一化 | 第44-45页 |
| 4.4.3 多尺度训练 | 第45页 |
| 4.5 测试与分析 | 第45-54页 |
| 4.5.1 实验环境 | 第45页 |
| 4.5.2 实验数据集 | 第45-47页 |
| 4.5.3 训练过程 | 第47-48页 |
| 4.5.4 实验结果与分析 | 第48-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第5章 基于m-yolo模型的车辆识别 | 第56-67页 |
| 5.1 对YOLO算法缺点的分析 | 第56-57页 |
| 5.2 基于m-yolo的车辆识别模型设计 | 第57页 |
| 5.3 k-means算法 | 第57-59页 |
| 5.4 实验与分析 | 第59-66页 |
| 5.4.1 实验数据集 | 第59-60页 |
| 5.4.2 训练过程 | 第60页 |
| 5.4.3 ReLU函数与Leaky函数的对比 | 第60-63页 |
| 5.4.4 针对不同数量Anchor Box的对比实验 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |