基于深度学习的复杂环境下交通信号灯检测算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 面临的挑战 | 第16页 |
| 1.4 本文结构与内容 | 第16-18页 |
| 2 目标检测算法相关研究 | 第18-44页 |
| 2.1 物体检测算法原理 | 第18-26页 |
| 2.1.1 基于区域模板匹配的检测算法 | 第19-21页 |
| 2.1.2 基于分类的检测算法 | 第21-26页 |
| 2.2 传统的图像特征提取 | 第26-35页 |
| 2.2.1 SIFT特征 | 第27-33页 |
| 2.2.2 HOG特征 | 第33-35页 |
| 2.3 一种端到端的特征提取 | 第35-41页 |
| 2.3.1 深度学习概述 | 第35-36页 |
| 2.3.2 神经网络 | 第36-37页 |
| 2.3.3 感知机与多层网络 | 第37-39页 |
| 2.3.4 卷积神经网络 | 第39-41页 |
| 2.4 分类器 | 第41-42页 |
| 2.4.1 目标识别分类器 | 第41-42页 |
| 2.4.2 目标检测分类器 | 第42页 |
| 2.5 本章小结 | 第42-44页 |
| 3 基于上下文语境的多任务检测模型 | 第44-57页 |
| 3.1 图像上下文语境 | 第44-45页 |
| 3.2 多任务卷积神经网络 | 第45-49页 |
| 3.3 语境选择的必要性 | 第49-51页 |
| 3.4 语境尺寸的选择 | 第51-52页 |
| 3.5 多任务学习模型 | 第52-56页 |
| 3.6 本章小结 | 第56-57页 |
| 4 基于图像特征的语境尺寸计算 | 第57-62页 |
| 4.1 语境形式 | 第57-59页 |
| 4.1.1 渐变式语境 | 第57-58页 |
| 4.1.2 滑动式语境 | 第58-59页 |
| 4.2 构建图像特征图 | 第59页 |
| 4.2.1 构建过程 | 第59页 |
| 4.2.2 置信窗口 | 第59页 |
| 4.3 基于卷积神经网络的置信窗口计算 | 第59-61页 |
| 4.4 尺寸计算模型的训练 | 第61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 实验结果与性能 | 第62-72页 |
| 5.1 数据集介绍 | 第62-64页 |
| 5.2 实验指标 | 第64-65页 |
| 5.3 实验过程 | 第65-67页 |
| 5.3.1 多任务模型尺寸实验 | 第65页 |
| 5.3.2 特征图尺寸实验 | 第65-66页 |
| 5.3.3 置信窗口阈值实验 | 第66-67页 |
| 5.4 实验结果与对比 | 第67-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 6.1 本文的主要工作 | 第72页 |
| 6.2 未来展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 个人简历 | 第77页 |
| 硕士期间发表论文 | 第77页 |
| 硕士期间获奖情况 | 第77-78页 |
| 致谢 | 第78页 |
