基于深度学习的交通标志识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 注释说明清单 | 第16-17页 |
| 第一章 绪论 | 第17-24页 |
| 1.1 交通标志识别的研究背景和意义 | 第17-18页 |
| 1.2 交通标志识别的国内外研究现状 | 第18-21页 |
| 1.2.1 交通标志的检测算法 | 第18-19页 |
| 1.2.2 交通标志的识别算法 | 第19-21页 |
| 1.3 交通标志检测和识别的难点与关键问题 | 第21-22页 |
| 1.4 论文的主要内容及安排 | 第22-24页 |
| 1.4.1 主要研究内容 | 第22页 |
| 1.4.2 本文工作安排 | 第22-24页 |
| 第二章 深度学习技术分析 | 第24-39页 |
| 2.1 引言 | 第24页 |
| 2.2 人工神经网络 | 第24-28页 |
| 2.2.1 感知器 | 第24-26页 |
| 2.2.2 多层感知器 | 第26-28页 |
| 2.3 常用深度学习网络结构 | 第28-34页 |
| 2.3.1 深度置信网络 | 第29-30页 |
| 2.3.2 循环神经网络 | 第30-31页 |
| 2.3.3 卷积神经网络 | 第31-34页 |
| 2.4 代价函数 | 第34-35页 |
| 2.4.1 均方误差代价函数 | 第34-35页 |
| 2.4.2 交叉熵代价函数 | 第35页 |
| 2.5 参数学习方法 | 第35-38页 |
| 2.5.1 误差反向传播算法 | 第35-37页 |
| 2.5.2 随机梯度下降法 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于双通路跃层卷积网络的交通标志识别算法 | 第39-52页 |
| 3.1 引言 | 第39页 |
| 3.2 双通路跃层卷积神经网络模型的构建 | 第39-41页 |
| 3.3 双通路跃层卷积神经网络算法 | 第41-43页 |
| 3.3.1 算法流程 | 第41-42页 |
| 3.3.2 网络训练 | 第42-43页 |
| 3.4 实验结果与分析 | 第43-50页 |
| 3.4.1 交通标志数据库介绍 | 第43-44页 |
| 3.4.2 实验参数设置 | 第44-46页 |
| 3.4.3 实验结果与分析 | 第46-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于改进SSD模型的交通标志检测识别算法 | 第52-62页 |
| 4.1 引言 | 第52页 |
| 4.2 SSD模型框架 | 第52-55页 |
| 4.2.1 SSD模型 | 第53页 |
| 4.2.2 默认框映射 | 第53-54页 |
| 4.2.3 模型代价 | 第54-55页 |
| 4.3 改进SSD模型 | 第55-57页 |
| 4.3.1 交通标志检测的不足 | 第55-56页 |
| 4.3.2 改进SSD模型建立 | 第56页 |
| 4.3.3 模型实现 | 第56-57页 |
| 4.4 实验结果与分析 | 第57-61页 |
| 4.4.1 数据集的制作 | 第57页 |
| 4.4.2 实验结果与分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 结论与展望 | 第62-64页 |
| 5.1 结论 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 后记或致谢 | 第69-70页 |
| 作者简介及读研期间主要科研成果 | 第70页 |
