| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 多类别卷积神经网络模型 | 第12-14页 |
| 1.2.2 图像颜色和对比度特征表示 | 第14-16页 |
| 1.2.3 组合分类模型 | 第16-17页 |
| 1.3 论文主要内容和技术路线 | 第17-20页 |
| 1.4 论文结构 | 第20-21页 |
| 第2章 基于颜色RGB分量的交通标志数据表示 | 第21-32页 |
| 2.1 交通标志类型划分及数据扩充 | 第21-27页 |
| 2.1.1 交通标志图像属性分析 | 第21-22页 |
| 2.1.2 多类别子类标签表示 | 第22-24页 |
| 2.1.3 样本数据预处理 | 第24-26页 |
| 2.1.4 训练集扩充 | 第26-27页 |
| 2.2 基于RGB三通道分量的数据表示方法 | 第27-29页 |
| 2.3 基于对比度增强的数据表示方法 | 第29-30页 |
| 2.4 数据归一化 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于RGB分量和数据集分层的组合CNN | 第32-53页 |
| 3.1 基于颜色RGB分量的CNN模型 | 第32-42页 |
| 3.1.1 基于LeNet-5的CNN模型及参数优化 | 第32-35页 |
| 3.1.2 基于RGB三通道分量的CNN模型 | 第35-41页 |
| 3.1.3 基于对比度增强的CNN模型 | 第41-42页 |
| 3.2 基于数据集分层的组合CNN | 第42-50页 |
| 3.2.1 跨父类错误分析 | 第42-43页 |
| 3.2.2 父类标签设计 | 第43-46页 |
| 3.2.3 组合CNN模型 | 第46-48页 |
| 3.2.4 组合CNN模型分类实验 | 第48-50页 |
| 3.3 基于RGB颜色和数据集分层的组合CNN | 第50-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第4章 总结和展望 | 第53-55页 |
| 4.1 总结 | 第53-54页 |
| 4.2 展望 | 第54-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间主要的工作 | 第61页 |