| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文研究背景与意义 | 第9-12页 |
| 1.1.1 交通图像识别应用的意义 | 第9-11页 |
| 1.1.2 卷积神经网络的研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文章节安排 | 第14-15页 |
| 第二章 卷积神经网络 | 第15-30页 |
| 2.1 卷积神经网络 | 第15-25页 |
| 2.1.1 激活函数与损失函数 | 第15-18页 |
| 2.1.2 局部连接与权值共享 | 第18-20页 |
| 2.1.3 卷积神经网络的结构 | 第20-23页 |
| 2.1.4 正向传播与反向传播 | 第23-25页 |
| 2.2 卷积神经网络的优化 | 第25-29页 |
| 2.2.1 正则化与Dropout | 第25-27页 |
| 2.2.2 批量梯度与随机梯度下降法 | 第27-28页 |
| 2.2.3 自适应梯度下降算法 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 交通图像数据库的构建 | 第30-40页 |
| 3.1 交通状态图像采集 | 第31-32页 |
| 3.2 道路交通状态图像数据库构建 | 第32-37页 |
| 3.3 公交车内状态图像数据库构建 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于Cifar模型的交通状态识别 | 第40-55页 |
| 4.1 Tensorflow的搭建与使用 | 第40-42页 |
| 4.1.1 深度学习框架的对比 | 第40-41页 |
| 4.1.2 Tensorflow的搭建与使用方法 | 第41-42页 |
| 4.2 基于Cifar的交通状态识别模型建立 | 第42-45页 |
| 4.2.1 交通状态识别模型的结构 | 第42页 |
| 4.2.2 交通状态识别模型的参数 | 第42-45页 |
| 4.3 交通状态识别模型分类器与算法 | 第45-49页 |
| 4.3.1 交通状态识别模型的分类器 | 第45-47页 |
| 4.3.2 Adam算法 | 第47-49页 |
| 4.4 实验结果及分析 | 第49-50页 |
| 4.5 交通状态识别模型的优化 | 第50-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 基于Cats-and-Dogs-Net模型的交通状态识别 | 第55-66页 |
| 5.1 交通状态识别模型的建立 | 第55-60页 |
| 5.1.1 模型结构与参数设置 | 第55-60页 |
| 5.1.2 模型对比分析 | 第60页 |
| 5.2 模型的训练 | 第60-62页 |
| 5.3 实验结果及分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66页 |
| 6.2 未来展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |