| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文的研究内容及创新点 | 第11页 |
| 1.4 论文的章节安排 | 第11-13页 |
| 第2章 深度学习及深度分割网络理论 | 第13-27页 |
| 2.1 深度学习简介 | 第13-16页 |
| 2.2 深度学习模型结构 | 第16-19页 |
| 2.2.1 Google Net/Inception | 第16页 |
| 2.2.2 VGG | 第16-17页 |
| 2.2.3 Res Net | 第17-18页 |
| 2.2.4 Dense Net | 第18-19页 |
| 2.3 深度学习图像语义分割模型 | 第19-24页 |
| 2.3.1 FCN | 第20-21页 |
| 2.3.2 Seg Net | 第21-22页 |
| 2.3.3 Deep Lab | 第22-23页 |
| 2.3.4 ERFNet | 第23-24页 |
| 2.4 深度学习优化算法 | 第24-27页 |
| 2.4.1 SGD | 第24-25页 |
| 2.4.2 Momentum | 第25页 |
| 2.4.3 Ada Grad | 第25-26页 |
| 2.4.4 Adam | 第26-27页 |
| 第3章 基于分割模型的雨天特征检测算法研究 | 第27-47页 |
| 3.1 高速公路监控视频雨天状况特征分析 | 第27-30页 |
| 3.2 高速公路监控视频雨天检测数据集 | 第30-33页 |
| 3.2.1 路面反光数据集 | 第30-32页 |
| 3.2.2 道路分割数据集 | 第32页 |
| 3.2.3 雨天分类测试集 | 第32-33页 |
| 3.3 高速公路监控视频反光区域分割实验 | 第33-44页 |
| 3.3.1 实验环境 | 第33页 |
| 3.3.2 FCN8 | 第33-36页 |
| 3.3.3 Seg Net | 第36-38页 |
| 3.3.4 ERFNet | 第38-41页 |
| 3.3.5 高速公路监控视频反光区域分割算法比较 | 第41-44页 |
| 3.4 高速公路监控视频道路区域分割实验 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于多任务模型的雨天检测算法研究 | 第47-62页 |
| 4.1 雨天检测多任务模型结构 | 第47-50页 |
| 4.1.1 雨天检测模型编码器 | 第47-49页 |
| 4.1.2 反光区域分割解码器 | 第49页 |
| 4.1.3 湿滑道路分类解码器 | 第49-50页 |
| 4.2 多任务模型雨天判断准则 | 第50-51页 |
| 4.3 反光区域分割和统计概率 | 第51-54页 |
| 4.4 湿滑道路提取和分类概率 | 第54-56页 |
| 4.5 基于分割算法的多任务模型雨天检测实验 | 第56-58页 |
| 4.6 高速公路雨天检测算法改进 | 第58-61页 |
| 4.6.1 同步Batch Norm | 第58-60页 |
| 4.6.2 同步Batch Norm与标准Batch Norm对比实验 | 第60-61页 |
| 4.7 本章小结 | 第61-62页 |
| 总结 | 第62-63页 |
| 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |