基于多尺度卷积神经网络的车型识别
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第13-23页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究现状 | 第15页 |
| 1.3 人工神经网络 | 第15-22页 |
| 1.3.1 人工神经元模型 | 第16-17页 |
| 1.3.2 激活函数 | 第17-18页 |
| 1.3.3 神经网络结构 | 第18-20页 |
| 1.3.4 神经网络的学习 | 第20-22页 |
| 1.4 论文的主要工作 | 第22页 |
| 1.5 论文的组织结构 | 第22-23页 |
| 2 卷积神经网络 | 第23-30页 |
| 2.1 概述 | 第23页 |
| 2.2 卷积神经网络的优势 | 第23页 |
| 2.3 卷积神经网络结构 | 第23-25页 |
| 2.4 卷积神经网络的参数和权值共享 | 第25-26页 |
| 2.5 卷积神经网络的训练 | 第26-30页 |
| 2.5.1 神经元的输入输出 | 第26-28页 |
| 2.5.2 卷积神经网络的训练过程 | 第28-30页 |
| 2.6 本章小结 | 第30页 |
| 3 基于深度卷积神经网络的车型识别 | 第30-40页 |
| 3.1 深度神经网络概述 | 第30-35页 |
| 3.1.1 核心思想 | 第31页 |
| 3.1.2 训练的过程 | 第31-32页 |
| 3.1.3 深度信念网络 | 第32-33页 |
| 3.1.4 卷积深度信念网络 | 第33-34页 |
| 3.1.5 常用平台工具 | 第34-35页 |
| 3.2 基于深度卷积神经网络的车型识别 | 第35-39页 |
| 3.2.1 Caffe深度学习框架介绍 | 第35页 |
| 3.2.2 Caffe的网络定义 | 第35页 |
| 3.2.3 基于深度卷积神经网络模型 | 第35-38页 |
| 3.2.4 实验设置及结果分析 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 基于多尺度卷积神经网络的车型识别设计与研究 | 第40-56页 |
| 4.1 多尺度卷积神经网络模型 | 第40-45页 |
| 4.1.1 多通道的卷积操作 | 第41-43页 |
| 4.1.2 多尺度数据预处理 | 第43页 |
| 4.1.3 多尺度卷积神经网络的训练学习过程 | 第43-45页 |
| 4.2 网络参数的优化 | 第45-52页 |
| 4.2.1 特征可视化 | 第45-50页 |
| 4.2.2 激活函数的选择 | 第50页 |
| 4.2.3 Dropout的优化 | 第50-52页 |
| 4.3 实验 | 第52-55页 |
| 4.3.1 数据集描述 | 第52页 |
| 4.3.2 实验对比方法 | 第52-53页 |
| 4.3.3 实验结果与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 个人简历 | 第62-63页 |
| 致谢 | 第63-64页 |
| 在学期间发表的学术论文 | 第64页 |
