车联网背景下基于深度学习的目标检测方法研究

目录

声明

第一章 绪论

1.1 课题研究背景与意义

1.2 国内外研究现状

1.2.1车联网发展现状

1.2.2目标检测方法发展现状

1.3 本论文的结构安排

第二章 相关基础理论

2.1 深度学习相关理论

2.1.2人工神经网络

2.1.3卷积神经网络

2.2 其他相关概念

2.2.1IoU

2.3 数据集及评估方法

2.3.1实验数据集

2.3.2评估指标

2.4 本章小结

第三章 基于RetinaNet 的车辆检测算法及改进

3.1 RetinaNet原理

3.1.2损失函数

3.2 RetinaNet算法改进

3.2.1网络结构的改进

3.2.2NMS策略的优化

3.3 实验结果

（1）改进网络结构的RetinaNet的实验结果

（2）NMS策略优化的实验结果

3.4 本章小节

第四章 基于YOLO的车辆检测算法及其改进

4.1 YOLOv3 原理

4.1.2网络结构

4.1.3损失函数

4.2 针对车辆目标检测场景下的算法优化

4.2.2Anchor聚类

4.2.3实验结果

4.3 模型的泛化能力的改进

4.3.2基于Label Smoothing 的改进

4.3.3实验结果

4.4 基于损失函数的改进

4.4.1基于GIoU对位置回归损失改进

4.4.2基于Focal Loss对置信度损失的改进

4.4.3实验结果

4.5 几种损失函数的结果对比

4.6 网络结构的改进

4.6.1基于CBAM的改进

4.6.2实验结果

4.7 本章小结

第五章 改进的目标检测算法在车联网系统中的应用

5.1 细粒度车流量统计算法

5.1.1算法设计

5.1.2实验结果

5.2 智能交叉口信号灯控制系统

5.2.1功能设计

5.2.2实验数据及评估指标

5.2.3基于增强学习的交叉口信号灯控制算法

5.2.4实验结果

5.3 本章小节

第六章 全文总结与展望

6.1 全文总结

6.2 后续工作展望

致谢

参考文献

攻读硕士学位期间取得的成果