基于标签相关性与协同训练的卷积神经网络车辆识别算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 课题来源 | 第15页 |
| 1.3 车型识别的国内外研究现状 | 第15-18页 |
| 1.3.1 国外研究现状 | 第16-17页 |
| 1.3.2 国内研究现状 | 第17-18页 |
| 1.4 论文的研究内容和目录结构 | 第18-20页 |
| 第二章 卷积神经网络理论及关键技术概述 | 第20-29页 |
| 2.1 卷积神经网络概述 | 第20-23页 |
| 2.1.1 卷积神经网络简介及发展 | 第20-21页 |
| 2.1.2 卷积神经网络结构及原理 | 第21-23页 |
| 2.2 车辆检测算法 | 第23-28页 |
| 2.2.1 基于深度学习的目标检测算法 | 第24-25页 |
| 2.2.2 基于视觉显著性的目标检测算法 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于标签相关性的卷积神经网络算法 | 第29-39页 |
| 3.1 问题描述 | 第29-30页 |
| 3.2 算法的提出 | 第30页 |
| 3.3 模型分析 | 第30-32页 |
| 3.3.1 标签相关性分析 | 第30-31页 |
| 3.3.2 贝叶斯决策论 | 第31-32页 |
| 3.4 算法提出 | 第32-38页 |
| 3.4.1 共享卷积层 | 第33-34页 |
| 3.4.2 贝叶斯模型生成 | 第34-36页 |
| 3.4.3 类条件概率估计 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 多卷积神经网络的协同训练算法 | 第39-48页 |
| 4.1 问题描述 | 第39页 |
| 4.2 模型分析 | 第39-43页 |
| 4.2.1 过拟合的解决方法 | 第39-40页 |
| 4.2.2 常见的协同训练算法 | 第40-41页 |
| 4.2.3 噪声学习理论 | 第41-43页 |
| 4.3 算法提出 | 第43-47页 |
| 4.3.1 基于协同训练的卷积神经网络模型 | 第44-45页 |
| 4.3.2 协同训练过程 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 实验与结果分析 | 第48-57页 |
| 5.1 实验方案 | 第48页 |
| 5.2 实验环境 | 第48-49页 |
| 5.3 实验场景和参数 | 第49-52页 |
| 5.3.1 数据集参数 | 第49页 |
| 5.3.2 模型参数和搭建 | 第49-51页 |
| 5.3.3 数据处理 | 第51-52页 |
| 5.4 实验结果与分析 | 第52-56页 |
| 5.4.1 AlexNet开源实现 | 第52-54页 |
| 5.4.2 多标签分类 | 第54-55页 |
| 5.4.3 协同训练 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读学位期间发表论文 | 第64-65页 |
| 攻读学位期间参加的科研项目 | 第65-67页 |
| 致谢 | 第67页 |
