基于深度学习的车道线和车辆检测
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题的研究背景 | 第10-11页 |
| 1.2 课题的研究发展历史及发展趋势 | 第11-16页 |
| 1.3 论文主要研究内容及论文结构安排 | 第16-18页 |
| 第二章 深度学习关键技术概述 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 人工神经网络设计 | 第18-25页 |
| 2.2.1 人工神经网络模型 | 第18-20页 |
| 2.2.2 激活函数 | 第20-21页 |
| 2.2.3 反向传播算法 | 第21-24页 |
| 2.2.4 神经网络过拟合处理 | 第24-25页 |
| 2.3 卷积神经网络 | 第25-31页 |
| 2.3.1 卷积和池化操作 | 第25-27页 |
| 2.3.2 损失函数 | 第27-29页 |
| 2.3.3 卷积神经网络的应用和改进 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于尺度优化的深度车辆检测网络 | 第32-57页 |
| 3.1 基于建议框生成的车辆检测网络 | 第32-44页 |
| 3.1.1 基于区域卷积神经网络的车辆检测 | 第32-38页 |
| 3.1.2 区域卷积神经网络优化 | 第38-41页 |
| 3.1.3 车辆目标建议框生成网络 | 第41-44页 |
| 3.2 基于特征层回归的车辆检测网络构建 | 第44-46页 |
| 3.3 基于尺度分析的车辆检测网络优化 | 第46-51页 |
| 3.3.1 基于车辆尺度分布的优化策略 | 第46-49页 |
| 3.3.2 共享卷积层的多尺度优化策略 | 第49-51页 |
| 3.4 实验及结果分析 | 第51-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于全卷积网络的车道线检测 | 第57-73页 |
| 4.1 车道线数据集及标注生成 | 第57-60页 |
| 4.2 全卷积车道线检测网络 | 第60-62页 |
| 4.3 基于条件随机场车道线检测结果修正 | 第62-64页 |
| 4.4 实验及结果分析 | 第64-72页 |
| 4.4.1 基于阈值分割的车道线检测算法 | 第64-66页 |
| 4.4.2 全卷积车道线分割网络实验结果 | 第66-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 车辆和车道线的联合检测网络 | 第73-81页 |
| 5.1 联合网络的设计和构造 | 第73-76页 |
| 5.1.1 网络结构 | 第73-76页 |
| 5.1.2 网络训练策略 | 第76页 |
| 5.2 实验及结果分析 | 第76-80页 |
| 5.3 本章小结 | 第80-81页 |
| 第六章 全文总结与后续工作展望 | 第81-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88页 |
