基于树状卷积神经网络的车标识别
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车标识别 | 第10-12页 |
| 1.2.2 卷积神经网络 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 本文内容安排 | 第14-15页 |
| 第二章 人工神经网络和卷积神经网络 | 第15-28页 |
| 2.1 人工神经网络 | 第15-20页 |
| 2.1.1 神经元 | 第15-16页 |
| 2.1.2 神经网络 | 第16-18页 |
| 2.1.3 反向传播算法 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-22页 |
| 2.2.1 卷积网络的特点与基本操作 | 第20-22页 |
| 2.3 LeNet-5 网络结构 | 第22-23页 |
| 2.4 卷积网络的训练和学习过程 | 第23-27页 |
| 2.4.1 基本运算 | 第24-25页 |
| 2.4.2 前向传播 | 第25-26页 |
| 2.4.3 反向传播 | 第26-27页 |
| 2.5 小结 | 第27-28页 |
| 第三章 树状卷积神经网络及其在车标识别中的应用 | 第28-42页 |
| 3.1 树状卷积神经网络 | 第28-29页 |
| 3.2 T-CNN2前向传播和反向传播 | 第29-31页 |
| 3.3 树状卷积神经网络参数 | 第31-34页 |
| 3.3.1 T-CNN2网络参数 | 第31-32页 |
| 3.3.2 T-CNN3卷积神经网络 | 第32-33页 |
| 3.3.3 H-TCNN混合卷积神经网络 | 第33-34页 |
| 3.4 在车标识别中的应用 | 第34-41页 |
| 3.4.1 实验步骤 | 第34-35页 |
| 3.4.2 T-CNN2实验结果 | 第35-36页 |
| 3.4.3 T-CNN3实验结果 | 第36-38页 |
| 3.4.4 H-TCNN混合卷积网络实验结果 | 第38-41页 |
| 3.5 小结 | 第41-42页 |
| 第四章 卷积神经网络在小样本下的处理策略 | 第42-51页 |
| 4.1 数据集增强 | 第42-43页 |
| 4.1.1 基于几何变换和加噪的数据扩充 | 第42-43页 |
| 4.2 网络结构调整 | 第43-49页 |
| 4.2.1 卷积核大小 | 第44-47页 |
| 4.2.2 卷积核数量 | 第47-48页 |
| 4.2.3 网络层数 | 第48-49页 |
| 4.3 迁移学习 | 第49-50页 |
| 4.3.1 MNIST数据集训练 | 第49-50页 |
| 4.4 小结 | 第50-51页 |
| 第五章 总结和展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 作者在攻读硕±期间发表论文清单 | 第57页 |
