隨著人工智能技術(shù)的迅速發(fā)展,無(wú)人駕駛汽車已成為當(dāng)下社會(huì)研究熱點(diǎn)之一。其中,目標(biāo)識(shí)別是實(shí)現(xiàn)無(wú)人駕駛汽車的重要環(huán)節(jié)之一,通過(guò)對(duì)傳感器收集到的數(shù)據(jù)進(jìn)行處理和分析,車輛系統(tǒng)對(duì)周圍環(huán)境做出感知和判斷。又隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的成功應(yīng)用以及計(jì)算機(jī)硬件水平的提高,基于深度學(xué)習(xí)的目標(biāo)識(shí)別得到了研究者大量的關(guān)注與研究�；谝陨蟽牲c(diǎn),本文基于深度學(xué)習(xí)算法,針對(duì)無(wú)人駕駛車輛的目標(biāo)識(shí)別進(jìn)行研究,本文內(nèi)容主要有以下幾點(diǎn)。首先,對(duì)與本文內(nèi)容相關(guān)的深度學(xué)習(xí)基礎(chǔ)知識(shí)進(jìn)行了詳細(xì)探討。分析了卷積核、池化層、激活函數(shù)作用、卷積神經(jīng)網(wǎng)絡(luò)中正則化實(shí)現(xiàn)以及循環(huán)神經(jīng)網(wǎng)絡(luò)等。并通過(guò)卷積核可視化進(jìn)一步理解卷積神經(jīng)網(wǎng)絡(luò),為網(wǎng)絡(luò)的改進(jìn)和效果的提升奠定了基礎(chǔ)。接著,對(duì)靜態(tài)目標(biāo)識(shí)別進(jìn)行研究,以單幀圖像作為輸入,對(duì)圖像進(jìn)行分類。本文主要針對(duì)交通標(biāo)志牌進(jìn)行識(shí)別,結(jié)合現(xiàn)有網(wǎng)絡(luò)模型以及收集到數(shù)據(jù)的特性,對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)。并結(jié)合數(shù)據(jù)樣本分布特點(diǎn)對(duì)損失函數(shù)進(jìn)行改進(jìn),使得改進(jìn)后的模型具有更高的識(shí)別準(zhǔn)確率。然后,對(duì)動(dòng)態(tài)目標(biāo)識(shí)別進(jìn)行研究,以連續(xù)多幀圖像作為輸入,對(duì)帶有時(shí)間信息的多幀圖像進(jìn)行分類。本文主要針對(duì)行人行為進(jìn)行識(shí)別,在C3D基礎(chǔ)上,結(jié)合躍層連接...

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
注釋表
縮略詞
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究目標(biāo)與關(guān)鍵技術(shù)分析
        1.3.1 研究目標(biāo)
        1.3.2 關(guān)鍵技術(shù)分析
    1.4 本文研究的主要內(nèi)容
第二章 深度學(xué)習(xí)基礎(chǔ)研究
    2.1 引言
    2.2 CNNs
        2.2.1 卷積操作
        2.2.2 池化操作
        2.2.3 激活函數(shù)
    2.3 隨機(jī)失活
    2.4 RNNs
        2.4.1 簡(jiǎn)單RNNs
        2.4.2 LSTM
    2.5 本章小節(jié)
第三章 基于Alexnet的交通標(biāo)志識(shí)別
    3.1 引言
    3.2 Alexnet網(wǎng)絡(luò)
    3.3 改進(jìn)的Alexnet交通標(biāo)志識(shí)別網(wǎng)絡(luò)
        3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.3.2 分類器替換
        3.3.3 損失函數(shù)改進(jìn)
    3.4 實(shí)驗(yàn)驗(yàn)證
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        3.4.2 三種網(wǎng)絡(luò)對(duì)比
        3.4.3 添加去掉隨機(jī)失活對(duì)比
        3.4.4 多類SVM與softmax比較
        3.4.5 實(shí)際效果
    3.5 本章小結(jié)
第四章 基于C3D-BR的人體動(dòng)作識(shí)別
    4.1 引言
    4.2 3D CNNs
    4.3 C3D-BR動(dòng)作識(shí)別網(wǎng)絡(luò)
        4.3.1 躍層連接
        4.3.2 Batch Normal層
        4.3.3 RNNs結(jié)構(gòu)
    4.4 實(shí)驗(yàn)驗(yàn)證
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集及實(shí)驗(yàn)設(shè)計(jì)
        4.4.2 本文模型改進(jìn)對(duì)比
        4.4.3 與其它方法對(duì)比
    4.5 本章小結(jié)
第五章 實(shí)物系統(tǒng)驗(yàn)證研究
    5.1 引言
    5.2 實(shí)驗(yàn)硬件平臺(tái)及系統(tǒng)架構(gòu)
    5.3 實(shí)驗(yàn)驗(yàn)證
        5.3.1 訓(xùn)練數(shù)據(jù)采集
        5.3.2 實(shí)驗(yàn)設(shè)計(jì)
        5.3.3 實(shí)際實(shí)驗(yàn)結(jié)果
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文研究工作總結(jié)
    6.2 后期研究方向
參考文獻(xiàn)
致謝
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3758016