卷积神经网络在车辆识别中的应用研究
| 中文摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 .相关研究的国内外历史现状 | 第11-12页 |
| 1.2.1 车辆识别的研究现状 | 第11页 |
| 1.2.2 深度学习的国内外现状 | 第11-12页 |
| 1.2.3 卷积神经网络的研究现状 | 第12页 |
| 1.3 本文主要的贡献和创新 | 第12-13页 |
| 1.4 本论文的结构安排 | 第13-14页 |
| 第二章 深度学习及卷积神经网络概述 | 第14-26页 |
| 2.1 机器学习 | 第14-15页 |
| 2.1.1 监督学习算法 | 第14页 |
| 2.1.2 无监督学习 | 第14页 |
| 2.1.3 半监督学习 | 第14-15页 |
| 2.2 人工神经网络 | 第15-16页 |
| 2.2.1 人工神经网络的起源与发展 | 第15页 |
| 2.2.2 感知器 | 第15-16页 |
| 2.2.3 机器学习与神经网络的区别联系 | 第16页 |
| 2.3 深度学习 | 第16-18页 |
| 2.3.1 深度学习起源发展 | 第16-17页 |
| 2.3.2 典型深度学习网络 | 第17-18页 |
| 2.4 卷积神经网络结构 | 第18-26页 |
| 2.4.1 卷积层 | 第18-19页 |
| 2.4.2 池化层 | 第19-20页 |
| 2.4.3 全连接层 | 第20页 |
| 2.4.4 激活函数 | 第20-23页 |
| 2.4.5 损失函数 | 第23-24页 |
| 2.4.6 softmax层 | 第24-26页 |
| 第三章 卷积神经网络典型模型及框架 | 第26-35页 |
| 3.1 卷积神经网络典型模型 | 第26-31页 |
| 3.1.1 LeNet | 第26-27页 |
| 3.1.2 Alexnet | 第27-29页 |
| 3.1.3 GoogleNet | 第29页 |
| 3.1.4 VGG | 第29-31页 |
| 3.2 深度学习典型框架 | 第31-35页 |
| 3.2.1 Keras | 第31-32页 |
| 3.2.2 Theano | 第32页 |
| 3.2.3 Torch | 第32-33页 |
| 3.2.4 Caffe | 第33-35页 |
| 第四章 实验研究及结果 | 第35-53页 |
| 4.1 前期准备 | 第35-39页 |
| 4.1.1 软件部分 | 第35-37页 |
| 4.1.2 数据部分 | 第37-39页 |
| 4.2 模型及参数调整 | 第39-45页 |
| 4.2.1 图像部分 | 第39-40页 |
| 4.2.2 模型方面 | 第40-45页 |
| 4.2.3 初始参数调整 | 第45页 |
| 4.3 模型训练及测试 | 第45-50页 |
| 4.3.1 训练部分 | 第45-47页 |
| 4.3.2 训练运算过程 | 第47页 |
| 4.3.3 执行文件代码解析 | 第47-49页 |
| 4.3.4 测试结果 | 第49-50页 |
| 4.4 实验结果及分析 | 第50-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53页 |
| 5.2 不足与展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 个人简历 | 第58页 |
| 在校期间发表的学术论文 | 第58页 |
