声明
目 录
第一章 绪 论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 现有违停检测方法研究
1.2.2 深度学习的数据集研究
1.2.3 深度学习的目标检测研究
1.3 主要研究内容与论文组织结构
1.3.1 主要研究内容
1.3.2 论文组织结构
第二章 步行道数据集的生成研究
2.1 引言
2.2 实例分割介绍
2.3 实例分割公开数据集
2.3.1 COCO数据集介绍
2.3.2 COCO数据集标注格式
2.4 自制步行道数据集
2.4.1 步行道数据集介绍
2.4.2 步行道数据集增广
2.5 步行道数据集的快速标注
2.5.1 手工标注的局限
2.5.2 RNN介绍
2.5.3 基于Polygon-RNN++的快速标注
2.6 本章小结
第三章 基于实例分割网络模型的检测任务设计
3.1 引言
3.2 迁移学习与模型评价指标
3.2.1 迁移学习
3.2.2 模型评价指标
3.3 基于Mask R-CNN的车辆与停车区域的检测网络
3.3.1 Mask R-CNN网络框架
3.3.2 基础网络架构的改进
3.3.3 候选区域提议网络调整
3.3.4 损失函数
3.4 模型超参数值
3.5 实验结果与分析
3.6 本章小结
第四章 基于实例分割结果优化的违停检测算法
4.1 引言
4.2 整体流程
4.3 车辆后处理优化
4.3.1 非极大抑制算法
4.3.2 基于Soft-NMS 的重叠车辆检出
4.4 停车区域后处理优化
4.4.1 基于分割掩码的Mask-IoU设计
4.4.2 基于Mask-IoU的连通区域融合方法
4.5 违停判定算法
4.6 实验结果与分析
4.7 本章小结
第五章 总结与展望
5.1 工作总结
5.2 展望
参考文献
致 谢
作者简介
1 作者简历
2 撰写的学术论文
3 参与的科研项目及获奖情况
4 申请的发明专利
学位论文数据集
浙江工业大学;
