基于迁移学习和深度卷积神经网络的车标识别方法研究

迁移学习论文 卷积神经网络论文 车标识别论文 小样本数据论文
论文详情
摘要第4-5页
ABSTRACT第5-6页
第一章 绪论第13-22页
    1.1 研究背景及意义第13-15页
    1.2 课题来源第15页
    1.3 国内外研究现状第15-19页
        1.3.1 车标识别研究现状第15-17页
        1.3.2 深度学习研究现状第17-19页
    1.4 研究内容第19-20页
    1.5 论文组织结构第20-22页
第二章 应用场景及相关技术第22-33页
    2.1 应用需求第22-24页
        2.1.1 车标细粒度分类第22-23页
        2.1.2 复杂环境第23-24页
    2.2 应用场景第24-25页
        2.2.1 速通式安检卡口第24-25页
        2.2.2 套牌车识别第25页
        2.2.3 车辆布控查询第25页
    2.3 卷积神经网络第25-32页
        2.3.1 卷积神经网络特点第25-27页
        2.3.2 卷积神经网络的网络层次第27-31页
        2.3.3 参数设置第31-32页
    2.4 本章小结第32-33页
第三章 基于ResNet网络的车标识别第33-45页
    3.1 问题描述第33-34页
    3.2 迁移学习第34-36页
        3.2.1 迁移学习概念第34页
        3.2.2 迁移学习的定义第34-36页
    3.3 经典深度卷积神经网络第36-39页
        3.3.1 AlexNet第36页
        3.3.2 VGGNet第36-37页
        3.3.3 GoogleNet第37页
        3.3.4 ResNet第37-39页
    3.4 ResNet结合迁移学习第39-43页
        3.4.1 目标方程与优化第40-42页
        3.4.2 算法描述第42-43页
    3.5 本章小结第43-45页
第四章 细粒度分类与车标识别第45-56页
    4.1 卷积神经网络结合多分类SVM第45-48页
        4.1.1 目标方程第45-47页
        4.1.2 算法描述第47-48页
    4.2 双线性特征分类第48-50页
        4.2.1 双线性特征第48页
        4.2.2 双线性特征结合SVM第48-49页
        4.2.3 算法描述第49-50页
    4.3 模型压缩第50-55页
        4.3.1 特征分解第50-51页
        4.3.2 低秩分解结合SVM第51-53页
        4.3.3 算法描述第53-55页
    4.4 本章小结第55-56页
第五章 实验结果与分析第56-69页
    5.1 实验准备第56-62页
        5.1.1 实验环境第56页
        5.1.2 数据预处理第56-61页
        5.1.3 数据集介绍第61-62页
    5.2 实验实施第62-65页
        5.2.1 算法超参数设置第62-63页
        5.2.2 算法评估方法第63-64页
        5.2.3 算法过程第64-65页
    5.3 算法的结果以及分析第65-66页
        5.3.1 算法结果第65页
        5.3.2 结果分析第65-66页
    5.4 算法鲁棒性分析第66-68页
        5.4.1 光照鲁棒性测试第66-67页
        5.4.2 噪声鲁棒性测试第67-68页
    5.5 本章小结第68-69页
结论第69-71页
参考文献第71-75页
攻读学位期间发表的论文第75-76页
攻读学位期间参加的科研项目第76-78页
致谢第78页
论文购买
论文编号ABS4383386,这篇论文共78页
会员购买按0.30元/页下载,共需支付23.4
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付39
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656