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 |