| 摘要 | 第5-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 车辆定位算法研究现状 | 第13-17页 |
| 1.2.2 车型识别国内外研究现状 | 第17-19页 |
| 1.3 论文的组织结构 | 第19-20页 |
| 第二章 基于改进的深度学习的车辆定位研究 | 第20-42页 |
| 2.1 深度学习概述 | 第20-31页 |
| 2.1.1 人工神经网络 | 第20-21页 |
| 2.1.2 深度学习的基本理论 | 第21-31页 |
| 2.2 基于改进的深度学习方法车辆定位 | 第31-37页 |
| 2.2.1 基于改进的深度学习方法(MCNN) | 第31-34页 |
| 2.2.2 基于MCNN的车辆定位方法 | 第34-37页 |
| 2.3 实验 | 第37-41页 |
| 2.3.1 实验说明 | 第37-38页 |
| 2.3.2 实验结果及分析 | 第38-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 多任务深度学习的车辆定位及二分类研究 | 第42-56页 |
| 3.1 多任务深度学习的网络模型（MT-CNN） | 第42-45页 |
| 3.1.1 基于Caffe Net的多任务深度学习网络模型(MT-Caffe Net) | 第43-44页 |
| 3.1.2 基于VGGNet的多任务深度学习网络模型(MT-VGGNet) | 第44-45页 |
| 3.1.3 基于Goo Gle Net的多任务深度学习网络模型(MT-Google Net) | 第45页 |
| 3.2 基于MT-CNN的车辆定位及二分类研究 | 第45-52页 |
| 3.2.1 基于MT-Caffe Net车辆定位及二分类研究 | 第45-49页 |
| 3.2.2 基于MT-VGGNet车辆定位及二分类研究 | 第49-50页 |
| 3.2.3 基于MT-Goo Gle Net车辆定位及二分类研究 | 第50-52页 |
| 3.3 实验结果及分析 | 第52-55页 |
| 3.3.1 实验说明 | 第52页 |
| 3.3.2 车辆定位结果及分析 | 第52-53页 |
| 3.3.3 车辆二分类结果及分析 | 第53-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 基于级联MT-CNN的深度学习车型识别研究 | 第56-71页 |
| 4.1 车型识别存在的问题 | 第56-58页 |
| 4.2 级联MT-CNN深度学习 | 第58-60页 |
| 4.2.1 级联MT-CNN模型 | 第58-60页 |
| 4.2.2 级联MT-Goo Gle Net模型 | 第60页 |
| 4.3 基于级联MT-GOOGLENET的车型识别研究 | 第60-61页 |
| 4.4 实验结果及分析 | 第61-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结及展望 | 第71-72页 |
| 5.1 工作总结 | 第71页 |
| 5.2 工作展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 读硕士学位期间主要的研究成果 | 第78-80页 |
| 附录A：标注工具简介 | 第80-83页 |
| 附录B：核心代码 | 第83-89页 |
| 附录C：自建数据库 | 第89页 |
