| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第14-44页 |
| 1.1 研究背景与意义 | 第14-20页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 选题意义 | 第16-20页 |
| 1.2 国内外研究现状 | 第20-37页 |
| 1.2.1 车辆检测研究现状 | 第20-31页 |
| 1.2.2 车辆属性分析研究现状 | 第31-37页 |
| 1.3 主要测评用数据库 | 第37-40页 |
| 1.3.1 CompCars数据集 | 第37-39页 |
| 1.3.2 Multi-Labeled多属性车辆数据集 | 第39-40页 |
| 1.4 论文主要研究内容 | 第40-41页 |
| 1.5 论文的组织结构及章节安排 | 第41-44页 |
| 第2章 基于自适应模板库和深层神经网络的车辆检测方法研究 | 第44-74页 |
| 2.1 引言 | 第44-45页 |
| 2.2 基于自适应模板库的车辆检测方法 | 第45-53页 |
| 2.2.1 背景提取式目标检测方法分析 | 第45-47页 |
| 2.2.2 本文算法介绍 | 第47-50页 |
| 2.2.3 实验结果与分析 | 第50-53页 |
| 2.3 基于深层卷积神经网络的车辆检测方法 | 第53-59页 |
| 2.3.1 深层神经网络的应用 | 第53-54页 |
| 2.3.2 卷积神经网络的发展 | 第54-55页 |
| 2.3.3 实验结果与分析 | 第55-59页 |
| 2.4 基于感兴趣区域和深层卷积神经网络的车辆检测方法 | 第59-72页 |
| 2.4.1 本文算法介绍 | 第59-61页 |
| 2.4.2 感兴趣区域的提取 | 第61-65页 |
| 2.4.3 图像的预处理 | 第65-66页 |
| 2.4.4 深度特征提取 | 第66-67页 |
| 2.4.5 LibSVM分类器判断 | 第67页 |
| 2.4.6 Multi-Labeled数据集上的实验结果与分析 | 第67-72页 |
| 2.5 本章小结 | 第72-74页 |
| 第3章 基于多任务学习和深层神经网络的车辆属性识别方法研究 | 第74-102页 |
| 3.1 引言 | 第74-77页 |
| 3.2 Multi-task Learning理论 | 第77-80页 |
| 3.2.1 传统MTL方法 | 第78页 |
| 3.2.2 多权值MTL的优势 | 第78-80页 |
| 3.3 PLDA模型算法介绍 | 第80-82页 |
| 3.4 基于D-CNN与多权值MTL策略相结合的车辆属性研究 | 第82-99页 |
| 3.4.1 本文算法介绍 | 第82-87页 |
| 3.4.2 STL、DTL、MTL三种不同网络结构下的验证性实验 | 第87-90页 |
| 3.4.3 一对一的车辆验证实验 | 第90-92页 |
| 3.4.4 多权值主辅任务分离实验 | 第92-95页 |
| 3.4.5 CompCars数据集上的实验结果与分析 | 第95-99页 |
| 3.5 本章小结 | 第99-102页 |
| 第4章 结论与展望 | 第102-106页 |
| 4.1 本文研究内容总结 | 第102-103页 |
| 4.2 今后研究工作展望 | 第103-106页 |
| 参考文献 | 第106-122页 |
| 致谢 | 第122-124页 |
| 作者简历及攻读博士学位期间发表的学术论文与研究成果 | 第124-126页 |
