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
北京交通大学;