基于深度学习的交通场景理解方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-16页 |
| 1.1 引言 | 第7-8页 |
| 1.2 深度学习研究现状 | 第8-11页 |
| 1.2.1 深度学习的发展历程 | 第8-9页 |
| 1.2.2 深度学习技术的应用 | 第9-11页 |
| 1.2.3 深度学习存在的不足 | 第11页 |
| 1.3 图像理解方法研究现状 | 第11-14页 |
| 1.3.1 语义分割方法研究现状 | 第12-13页 |
| 1.3.2 目标检测方法研究现状 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 2 深度学习模型及训练方法研究 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 自编码器 | 第16-17页 |
| 2.3 受限玻尔兹曼机 | 第17-18页 |
| 2.4 卷积神经网络 | 第18-24页 |
| 2.4.1 卷积神经网络基本结构 | 第18-23页 |
| 2.4.2 卷积神经网络的训练 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于全卷积网络的语义分割方法研究 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 全卷积网络结构设计 | 第25-29页 |
| 3.3 网络的训练 | 第29-30页 |
| 3.4 基于立体视觉的视差图获取 | 第30-31页 |
| 3.4.1 视差图获取 | 第30页 |
| 3.4.2 实验结果与分析 | 第30-31页 |
| 3.5 实验结果与分析 | 第31-36页 |
| 3.5.1 样本库的建立 | 第31-32页 |
| 3.5.2 网络的训练与测试 | 第32-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于多尺度网络的语义分割方法研究 | 第37-46页 |
| 4.1 引言 | 第37页 |
| 4.2 多尺度网络结构设计 | 第37-41页 |
| 4.3 网络的训练 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 基于多任务网络的交通场景理解方法研究 | 第46-55页 |
| 5.1 引言 | 第46页 |
| 5.2 多任务网络结构设计 | 第46-47页 |
| 5.3 网络的训练 | 第47-48页 |
| 5.4 实验结果与分析 | 第48-54页 |
| 5.4.1 分割网络训练结果 | 第48-50页 |
| 5.4.2 检测网络训练结果 | 第50-52页 |
| 5.4.3 多任务网络训练结果 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-64页 |
