基于深度学习的车辆识别技术研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要工作及创新点 | 第15页 |
| 1.4 本文组织与结构 | 第15-17页 |
| 第2章 深度学习在物体识别中的应用分析 | 第17-32页 |
| 2.1 引言 | 第17-18页 |
| 2.2 深度卷积网络的架构 | 第18-20页 |
| 2.3 深度学习正则化 | 第20-23页 |
| 2.3.1 L2参数正则化和L1参数正则化 | 第21-22页 |
| 2.3.2 随机失活 | 第22-23页 |
| 2.4 深度学习网络模型 | 第23-27页 |
| 2.4.1 FastR-CNN | 第23-24页 |
| 2.4.2 FasterR-CNN | 第24-26页 |
| 2.4.3 SSD | 第26-27页 |
| 2.5 物体识别关键技术的研究 | 第27-30页 |
| 2.5.1 图像预处理 | 第27-29页 |
| 2.5.2 数据增强 | 第29-30页 |
| 2.6 Darknet简介 | 第30-31页 |
| 2.6.1 Darknet的优点 | 第30页 |
| 2.6.2 Darknet的神经网络配置 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 基于YOLO改进的车辆识别方法研究 | 第32-44页 |
| 3.1 问题描述 | 第32页 |
| 3.2 基于YOLO的车辆识别方法 | 第32-43页 |
| 3.2.1 系统流程 | 第32-35页 |
| 3.2.2 原YOLO网络模型 | 第35-37页 |
| 3.2.3 深度学习训练方法 | 第37-39页 |
| 3.2.4 数据预处理方法 | 第39-41页 |
| 3.2.5 虚警抑制方法 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 复杂场景下车辆识别系统的设计与实现 | 第44-59页 |
| 4.1 引言 | 第44页 |
| 4.2 系统设计 | 第44-47页 |
| 4.2.1 需求分析 | 第44-45页 |
| 4.2.2 系统总体架构 | 第45-46页 |
| 4.2.3 系统功能设计 | 第46-47页 |
| 4.3 系统主要功能模块设计与实现 | 第47-55页 |
| 4.3.1 数据采集与预处理模块设计 | 第47-51页 |
| 4.3.2 虚警抑制模块设计 | 第51-52页 |
| 4.3.3 深度学习参数调整模块设计 | 第52-55页 |
| 4.4 系统流程与分析 | 第55-58页 |
| 4.4.1 深度学习训练过程 | 第55页 |
| 4.4.2 测试及使用 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 实验结果与分析 | 第59-67页 |
| 5.1 实验设置 | 第59页 |
| 5.2 COCO数据集实验 | 第59-62页 |
| 5.3 PCAR数据集实验 | 第62-65页 |
| 5.4 不同实验平台实验 | 第65页 |
| 5.5 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-68页 |
| 6.1 论文工作总结 | 第67页 |
| 6.2 研究工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表学术论文情况 | 第72-73页 |
| 致谢 | 第73页 |
