基于深度学习的车辆检测及车型识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 课题的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状综述 | 第11-13页 |
| 1.2.1 车辆检测研究现状 | 第11-12页 |
| 1.2.2 车型识别研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 第2章 卷积神经网络理论基础 | 第15-28页 |
| 2.1 卷积神经网络的概念 | 第15-16页 |
| 2.2 卷积神经网络的结构 | 第16-23页 |
| 2.2.1 卷积层 | 第16-18页 |
| 2.2.2 池化层 | 第18-19页 |
| 2.2.3 激活函数 | 第19-21页 |
| 2.2.4 全连接层与分类器 | 第21-22页 |
| 2.2.5 正则化 | 第22-23页 |
| 2.3 卷积神经网络的训练 | 第23-27页 |
| 2.3.1 多层前馈网络的反向传播算法 | 第23-25页 |
| 2.3.2 卷积神经网络的反向传播算法 | 第25页 |
| 2.3.3 梯度下降法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于区域的卷积神经网络的车辆检测 | 第28-41页 |
| 3.1 基于区域的卷积神经网络系列算法 | 第28-34页 |
| 3.1.1 经典算法RCNN | 第28-29页 |
| 3.1.2 SPPNet网络 | 第29-30页 |
| 3.1.3 Fast RCNN网络 | 第30-31页 |
| 3.1.4 Faster RCNN网络 | 第31-33页 |
| 3.1.5 性能分析 | 第33-34页 |
| 3.2 基于R-FCN的车辆检测网络设计 | 第34-40页 |
| 3.2.1 位置敏感得分图 | 第34-36页 |
| 3.2.2 共享卷积网络 | 第36页 |
| 3.2.3 R-FCN用于车辆检测 | 第36-38页 |
| 3.2.4 共享卷积网络的改进 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 基于卷积神经网络的车型识别 | 第41-53页 |
| 4.1 图像分类网络 | 第41-47页 |
| 4.1.1 AlexNet网络 | 第41-42页 |
| 4.1.2 VGGNet网络 | 第42-44页 |
| 4.1.3 Inception网络 | 第44-45页 |
| 4.1.4 ResNet网络 | 第45-46页 |
| 4.1.5 性能对比分析 | 第46-47页 |
| 4.2 基于DenseNet的车型分类网络设计 | 第47-52页 |
| 4.2.1 DenseNet网络 | 第47-49页 |
| 4.2.2 网络结构的优化 | 第49-50页 |
| 4.2.3 确定最优网络 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 实验结果与分析 | 第53-62页 |
| 5.1 实验环境与数据 | 第53-54页 |
| 5.1.1 实验环境 | 第53页 |
| 5.1.2 实验数据 | 第53-54页 |
| 5.2 车辆检测实验结果 | 第54-58页 |
| 5.2.1 检测网络的训练过程 | 第54-55页 |
| 5.2.2 检测网络测试结果 | 第55-58页 |
| 5.3 车型分类实验结果 | 第58-61页 |
| 5.3.1 分类网络训练过程 | 第58-59页 |
| 5.3.2 基于交通视频的车型识别结果 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的学术论文和获得的专利 | 第67-68页 |
| 致谢 | 第68页 |
