| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 电动汽车产业的发展 | 第10-11页 |
| 1.1.2 共享汽车的发展现状 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 研究现状 | 第12-15页 |
| 1.2.2 主要存在的问题 | 第15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 深度学习相关基础理论与算法 | 第18-40页 |
| 2.1 深度学习发展背景 | 第18-19页 |
| 2.2 深度学习基本原理 | 第19-34页 |
| 2.2.1 深度学习基本结构 | 第19-21页 |
| 2.2.2 常用激活函数 | 第21-22页 |
| 2.2.3 常见损失函数 | 第22-23页 |
| 2.2.4 深度学习卷积方式 | 第23-27页 |
| 2.2.5 深度学习正则化方法 | 第27-30页 |
| 2.2.6 深度学习优化器 | 第30-34页 |
| 2.3 深度学习常用模型 | 第34-36页 |
| 2.3.1 Alexnet | 第35页 |
| 2.3.2 VGGnet | 第35页 |
| 2.3.3 GoogleNet | 第35-36页 |
| 2.3.4 ResNet | 第36页 |
| 2.4 分布式深度学习原理 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第三章 基于目标检测的电动汽车碰撞刮擦检测与预警 | 第40-68页 |
| 3.1 基于目标检测的电动汽车潜在碰撞刮擦检测原理 | 第40-41页 |
| 3.2 传统计算机视觉中目标检测方法概述 | 第41-42页 |
| 3.2.1 Haar小波特征 | 第41页 |
| 3.2.2 SIFT特征 | 第41页 |
| 3.2.3 方向梯度直方图(Histogram of Oriented Gradient,HOG) | 第41-42页 |
| 3.3 基于深度学习的目标检测算法概述 | 第42-47页 |
| 3.3.1 Two-stage目标检测模型 | 第43-45页 |
| 3.3.2 End to End目标检测模型 | 第45-47页 |
| 3.4 基于深度可分离卷积的目标检测模型的构建 | 第47-52页 |
| 3.4.1 特征提取主干模型 | 第47-48页 |
| 3.4.2 分类及定位层设置 | 第48-49页 |
| 3.4.3 Default box尺度确定 | 第49-51页 |
| 3.4.4 损失函数设置 | 第51-52页 |
| 3.5 目标检测模型实验和结果分析 | 第52-60页 |
| 3.5.1 实验框架 | 第52页 |
| 3.5.2 实验数据标注 | 第52-54页 |
| 3.5.3 实验过程与结果 | 第54-60页 |
| 3.6 模型压缩 | 第60-62页 |
| 3.6.1 模型压缩方法概述 | 第60-62页 |
| 3.6.2 模型量化实验结果 | 第62页 |
| 3.7 基于目标检测的碰撞检测 | 第62-65页 |
| 3.8 本章小结 | 第65-68页 |
| 第四章 基于图像分割的电动汽车碰撞检测 | 第68-78页 |
| 4.1 传统图像分割算法 | 第68-69页 |
| 4.2 基于深度学习的图像分割算法 | 第69-71页 |
| 4.3 SkipASPPNet图像分割模型构建 | 第71-74页 |
| 4.4 实验结果 | 第74-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第五章 基于视频预测的车辆碰撞预警 | 第78-94页 |
| 5.1 基于深度学习的视频预测研究概述 | 第78-84页 |
| 5.1.1 运动预测 | 第78-79页 |
| 5.1.2 视频预测模型架构简介 | 第79-84页 |
| 5.2 基于卷积LSTM和生成对抗网络的视频预测模型 | 第84-87页 |
| 5.3 视频预测实验结果 | 第87-89页 |
| 5.4 基于车辆边界框预测的碰撞预警 | 第89-93页 |
| 5.5 本章小结 | 第93-94页 |
| 第六章 总结与展望 | 第94-96页 |
| 6.1 总结 | 第94-95页 |
| 6.2 展望 | 第95-96页 |
| 致谢 | 第96-98页 |
| 参考文献 | 第98-104页 |
| 攻读硕士期间取得的学生成果 | 第104页 |
