基于联邦学习的面向智能驾驶的目标检测方法研究

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 智能驾驶汽车的国内外发展历程

1.2.2 目标检测研究现状

1.2.3 交通标志检测研究现状

1.2.4 联邦学习研究现状

1.3 论文主要研究内容

1.4 论文组织架构

2 相关理论基础

2.1 目标检测基础理论

2.2 卷积神经网络基础理论

2.3 联邦学习基础理论

2.4 分布式梯度下降方法

2.5 本章小结

3 基于深度学习的面向智能驾驶的目标检测模型

3.1 基于深度学习的目标检测算法框架及损失函数

3.1.1 基于深度学习的 R-CNN目标检测算法

3.1.2 基于深度学习的 Fast R-CNN目标检测算法

3.1.3 基于深度学习的 Faster R-CNN目标检测算法

3.1.4 基于深度学习的 YOLO目标检测算法

3.1.5 损失函数

3.2 评价标准

3.2.1 召回率和精度

3.2.2 P-R曲线

3.2.3 交并比

3.2.4 平均精度和均值平均精度

3.3 目标检测网络结构的对比分析

3.4 基于 Faster R-CNN的交通标志检测网络模型

3.5 实验部分

3.5.1 数据集描述

3.5.2 实验环境设置

3.5.3 实验结果与分析

3.6 本章小结

4 联邦学习目标检测方法中的交通标志检测任务

4.1 研究目的

4.2 联邦学习算法框架

4.3 基于联邦学习的交通标志检测方法

4.3.1 基于联邦学习的交通标志检测模型设计

4.3.2 基于联邦学习的交通标志检测方法 FL-Fast R-CNN

4.3.3 改进后的基于联邦学习的交通标志检测方法

4.4 实验部分

4.4.1 数据集描述

4.4.2 数据集处理

4.4.3 评价指标

4.4.4 实验环境与参数设置

4.4.5 实验结果与分析

4.5 实验结果对比

4.6 目标检测结果

4.7 本章小结

5 总结与展望

5.1 研究内容总结

5.2 未来展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集