跨天气道路场景再识别算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 道路检测研究现状 | 第13-14页 |
| 1.2.2 道路检索研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文结构 | 第16-18页 |
| 第二章 跨天气道路场景再识别相关工作 | 第18-27页 |
| 2.1 基于卷积神经网络的图像识别 | 第18-24页 |
| 2.1.1 深度学习 | 第18-20页 |
| 2.1.2 卷积神经网络 | 第20-24页 |
| 2.2 道路场景再识别存在的问题 | 第24-26页 |
| 2.2.1 剧烈光照变化 | 第24页 |
| 2.2.2 恶劣天气变化 | 第24-25页 |
| 2.2.3 相关数据集缺少 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 跨天气道路场景检索 | 第27-39页 |
| 3.1 基于CNN的道路深度特征表示 | 第27-34页 |
| 3.1.1 AlexNet | 第27-33页 |
| 3.1.2 卷积神经网络参数调优 | 第33-34页 |
| 3.2 基于SCNN的道路深度特征表示 | 第34-35页 |
| 3.3 跨天气深度特征学习变换 | 第35-38页 |
| 3.3.1 度量学习 | 第35-37页 |
| 3.3.2 跨域子空间配准 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 跨天气道路场景再识别系统实现 | 第39-47页 |
| 4.1 实验数据集 | 第39-41页 |
| 4.1.1 跨天气道路场景数据集 | 第39-40页 |
| 4.1.2 同类数据库比较 | 第40-41页 |
| 4.1.3 数据分类 | 第41页 |
| 4.2 图像预处理 | 第41-42页 |
| 4.3 实验度量表示 | 第42-43页 |
| 4.4 CNN不同深度性能比较 | 第43-44页 |
| 4.5 不同数据集下CNN性能比较 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 系统实验结果及分析 | 第47-51页 |
| 5.1 参数微调前后CNN性能比较 | 第47-48页 |
| 5.2 跨域特征变换前后性能比较 | 第48页 |
| 5.3 SCNN与参数微调CNN性能比较 | 第48-49页 |
| 5.4 计算机资源占用情况分析 | 第49-50页 |
| 5.4.1 训练性能 | 第49-50页 |
| 5.4.2 测试性能 | 第50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 工作总结 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间取得的研究成果 | 第59页 |
