| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究的背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国内外交通标志识别研究现状 | 第10-12页 |
| 1.2.2 国内外卷积神经网络研究现状 | 第12-13页 |
| 1.3 论文主要内容和结构安排 | 第13-14页 |
| 第二章 神经网络综述 | 第14-24页 |
| 2.1 人工神经网络 | 第14-19页 |
| 2.1.1 神经元结构 | 第14-16页 |
| 2.1.2 前馈神经网络模型 | 第16-17页 |
| 2.1.3 前向传播过程 | 第17-18页 |
| 2.1.4 反向传播过程 | 第18-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.3 卷积神经网络特性 | 第22-23页 |
| 2.3.1 层间局部连接 | 第22-23页 |
| 2.3.2 神经元连接权值共享 | 第23页 |
| 2.3.3 输出多特征图 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 改进的多尺度深度融合卷积神经网络研究及仿真 | 第24-44页 |
| 3.1 多尺度神经网络结构 | 第24-25页 |
| 3.2 卷积神经网络的深度融合 | 第25-26页 |
| 3.3 非对称卷积思想 | 第26-27页 |
| 3.4 批量归一化方法(BN) | 第27-28页 |
| 3.5 AlexNet卷积神经网络结构 | 第28-29页 |
| 3.6 三叉树型网络M_S_FNet模型设计 | 第29-36页 |
| 3.6.1 基础网络结构分析 | 第29-31页 |
| 3.6.2 网络核心模块分析 | 第31页 |
| 3.6.3 网络结构设计与分析 | 第31-36页 |
| 3.7 基于M_S_FNet在交通标志数据集GTSRB上的应用研究 | 第36-43页 |
| 3.7.1 Caffe实验平台介绍 | 第36页 |
| 3.7.2 德国GTSRB交通标志数据集介绍 | 第36-37页 |
| 3.7.3 图像数据预处理 | 第37页 |
| 3.7.4 网络模型训练与实验结果分析 | 第37-40页 |
| 3.7.5 实验结果比较 | 第40-42页 |
| 3.7.6 M_S_FNet网络模型的优缺点 | 第42-43页 |
| 3.8 本章小结 | 第43-44页 |
| 第四章 基于轻型卷积神经网络在交通标志数据集BTSC上的应用研究 | 第44-54页 |
| 4.1 基于轻型卷积神经网络结构的搭建 | 第44-46页 |
| 4.1.1 LeNet卷积神经网络结构 | 第44页 |
| 4.1.2 MyLeNet轻型卷积神经网络结构研究 | 第44-46页 |
| 4.2 比利时BTSC交通标志数据集介绍 | 第46-47页 |
| 4.3 网络模型训练与结果分析 | 第47-52页 |
| 4.3.1 MyLeNet模型训练 | 第47-48页 |
| 4.3.2 实验结果分析 | 第48-49页 |
| 4.3.3 M_S_FNet模型训练 | 第49-51页 |
| 4.3.4 实验结果比较 | 第51-52页 |
| 4.4 实验结果对比其他方法 | 第52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 M_S_FNet模型应用于国内交通标志图像的识别研究 | 第54-63页 |
| 5.1 交通标志图片采集 | 第54-55页 |
| 5.2 图像数据预处理 | 第55页 |
| 5.3 模型识别能力验证实验 | 第55-62页 |
| 5.3.1 图像特征可视化 | 第55-59页 |
| 5.3.2 实验过程及结果分析 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间所取得的研究成果 | 第70-71页 |
