首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于卷积神经网络的交通标志检测研究

摘要第3-4页
Abstract第4页
1 绪论第11-25页
    1.1 研究背景与意义第11-12页
    1.2 国内外研究状况第12-16页
        1.2.1 基于传统方法的检测算法第12-15页
        1.2.2 基于卷积神经网络的检测算法第15-16页
    1.3 交通标志检测算法的评价第16-22页
        1.3.1 交通标志检测的主要评价指标第16-19页
        1.3.2 交通标志检测常用数据集介绍第19-22页
    1.4 本文研究工作概述第22-23页
    1.5 论文的组织结构第23-25页
2 基于卷积神经网络的交通标志检测第25-37页
    2.1 引言第25-26页
    2.2 卷积神经网络简介第26-28页
    2.3 非极大值抑制算法第28页
    2.4 Faster R-CNN介绍第28-31页
        2.4.1 R-CNN算法第28-29页
        2.4.2 Fast R-CNN算法第29-30页
        2.4.3 Faster R-CNN算法第30-31页
    2.5 训练Faster RCNN作为基线模型第31-33页
        2.5.1 主干网络的选择第32页
        2.5.2 具体实现细节第32-33页
    2.6 实验结果与分析第33-35页
    2.7 小结第35-37页
3 基于特征迁移卷积神经网络的交通标志检测第37-49页
    3.1 引言第37-39页
    3.2 训练数字分类器第39-41页
        3.2.1 训练集和数字分类器网络结构的选择第39-40页
        3.2.2 具体实现细节第40-41页
    3.3 数字分类器特征迁移到检测器第41-44页
        3.3.1 与以往方法的联系第41-42页
        3.3.2 特征迁移算法第42-44页
        3.3.3 具体实现细节第44页
    3.4 实验结果与分析第44-47页
        3.4.1 Tsinghua-Tencent 100K上的实验结果第44-47页
        3.4.2 超参数敏感性第47页
    3.5 小结第47-49页
4 基于特征加权卷积神经网络的交通标志检测第49-61页
    4.1 引言第49-50页
    4.2 Faster R-CNN引入特征加权机制第50-53页
    4.3 具体实现细节第53-55页
    4.4 实验结果与分析第55-58页
        4.4.1 主要实验结果第55-56页
        4.4.2 特征加权网络的结构第56-57页
        4.4.3 两步训练方式的必要性第57页
        4.4.4 进一步理解特征加权算法第57-58页
    4.5 小结第58-61页
5 总结与展望第61-65页
    5.1 工作总结第61-62页
    5.2 存在的问题第62页
    5.3 任务理解第62-63页
    5.4 未来展望第63-65页
致谢第65-67页
参考文献第67-73页
附录第73页

论文共73页,点击 下载论文
上一篇:不平衡学习中的重采样方法研究
下一篇:基于深度学习的数据特征融合分类技术研究