1 绪 论
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 研究内容和创新
1.4 论文的组织结构
1.5 本章小结
2 图像处理与深度学习理论基础
2.1 图像处理理论基础
2.1.1 图像灰度处理
2.1.2 图像直方图处理
2.2.1 深度学习概述
2.2.2 激活函数
2.2.3 卷积和池化
2.2.4 神经网络训练
2.3 本章小结
3 基于卷积神经网络的公交车内拥挤分类研究
3.1 引言
3.2 拥挤的定义
3.3.1 本章算法框架
3.3.2 GoogLeNet模型
3.3.3 轻量级GoogLeNet网络结构设计
3.3.4 目标函数与训练
3.4 基于模型融合MixNet的拥挤分类
3.4.1 理论分析
3.4.2 网络结构设计
3.5 本章小结
4 基于注意力机制的公交车内拥挤分类研究
4.1 注意力机制
4.1.1 注意力机制概述
4.1.2 注意力机制原理
4.2.1 注意力模型与图像特征融合
4.2.2 网络模型设计
4.2.3 注意力权重激活图
4.3 本章小结
5 实验结果及分析
5.1 数据集
① 分类标准
② 采集平台
③ Bus_pic数据集规模与展示 数据集规模与展示
④ 存在的问题
5.2 图像预处理
5.3 实验评估方法
① 准确率( Accuracy)
② 混淆矩阵( Confusion Matrix)
③ 精确率( Precision)、召回率( Recall)和 F1 评估值( F1 Score)
5.4.1 实验环境
5.4.2 SimGoogLeNet vs. GoogLeNet
5.4.3 MixNet vs. SimGoogLeNet
5.4.4 注意力机制模型实验结果对比
5.4.5与其他深度神经网络模型对比
5.5本章小结
6 公交车内拥挤检测应用设计与实现
6.1 系统框架图
6.2 拥挤检测系统的实现
6.3 本章小结
7 总结与展望
7.1 总结
7.2 展望
参考文献
附录
A. 作者在攻读学位期间申请的专利:
B. 作者在攻读学位期间取得的科研工作目录:
C. 学位论文数据集
致谢
重庆大学;