基于卷积神经网络的两轮车辆视频检测

目录

第一章 绪论

1.1 课题研究背景与意义

1.2 国内外研究动态

1.2.1 车辆检测技术研究现状

1.2.2 深度学习研究现状

1.3 本文主要研究内容和结构安排

1.3.1 本文的主要研究内容

1.3.2 论文的结构安排

第二章 卷积神经网络

2.1 卷积神经网络概述

2.2 卷积神经网络的结构

2.2.1 卷积层

2.2.2 激活层

2.2.3 池化层

2.2.4 全连接层

2.3 过拟合与欠拟合

2.4 正则化方法

2.4.1 L1正则化

2.4.2 L2正则化

2.4.3 Dropout

2.5 梯度下降法

2.6 卷积神经网络的训练过程

2.7 本章小结

第三章 基于区域卷积神经网络的两轮车辆检测方法

3.1 R-CNN模型

3.1.1 R-CNN模型特点及检测流程

3.1.2 选择性搜索算法

3.1.3 交并比IOU（Intersection over union）

3.1.4 非极大值抑制算法(NMS)

3.1.5 边框回归

3.1.6 分类器

3.1.7 R-CNN模型对两轮车辆的检测

3.2Fast R-CNN模型

3.2.1Fast R-CNN特点及检测流程

3.2.2Fast R-CNN模型对两轮车辆的检测

3.3Faster R-CNN模型

3.3.1 Faster R-CNN结构及其检测流程

3.3.2 区域建议网络(RPN)

3.3.3Faster R-CNN模型对两轮车辆的检测

3.4 本章小结

第四章基于改进的Faster R-CNN模型的两轮车辆检测方法

4.1 Faster R-CNN的基础网络

4.2 Faster R-CNN模型的改进

4.2.1 锚框的改进

4.2.2 RPN网络结构的改进

4.2.3 特征融合策略

4.2.4 改进后的Faster R-CNN整体框架

4.3 困难样本挖掘策略

4.4 模型的训练

4.4.1 模型参数设置

4.4.2 模型训练

4.5 迁移学习

4.6 性能评价方法

4.7 本章小结

第五章 两轮车辆检测实验与分析

5.1 实验数据集与实验环境

5.1.1 实验数据集

5.1.2 实验环境

5.2 实验结果的定性分析

5.2.1 同一场景下的检测性能

5.2.2 不同场景下的检测性能

5.2.3 特征图可视化

5.3 实验结果的定量分析

5.4 不同检测方法的性能对比

5.5 影响因素的分析

5.6 本章小结

第六章 总结与展望

6.1 全文总结

6.2 工作展望

参考文献

致谢

攻读学位期间的研究成果