目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1 研究背景及意义 1
2 国内外研究现状 1
第二章 卷积神经网络基础 4
1 卷积神经网络 4
1.1 CNN的概念 4
1.2 网络结构 4
1.3 输入层 4
1.4 卷积层 5
1.5 池化层 6
1.6 全连接层 6
1.7 分类器 7
2 CNN的关键技术 7
2.1 激活函数 8
2.2 损失函数 10
2.3 神经网络的优化方法 10
3 常用的网络模型 11
3.1 LeNet5模型 11
3.2 AlexNet模型 12
3.3 VGGNet模型 12
3.4 ResNet模型 13
4 深度可分离网络模型MobilleNet 14
4.1 MobilleNet v1模型 14
4.2 MobilleNet v2模型 17
4.3 MobilleNet v3模型 18
4.4 小结 18
第三章 交通标志识别的实验设计 19
1 交通标志基础知识及难点 19
1.1 交通标志基础知识 19
1.2 交通标志检测识别难点 20
2 数据准备 21
2.1 德国交通标志数据集 21
2.2 数据预处理 22
3 MobilleNet v2模型的搭建及训练 25
3.1 实验环境的实现 25
3.2 模型的训练 26
3.3 模型的测试 28
3.4 对比实验 29
4 实验结果及分析 31
4.1 训练结果 31
4.2 测试结果 34
4.3 实验分析 35
第四章 结论与展望 36
参考文献 37
附 录 39
 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
目录
致 谢 41
基于卷积神经网络的交通标志识别及实现
摘 要
近几年，随着道路机动车数量的剧增，交通事故频繁发生，给社会和各家庭造成巨大的损失。在此背景下，有效的交通标志识别系统能够保障乘车员的人身财产安全，减少道路交通安全事故。针对交通标志识别系统实时性和高效性的客观要求，并且现实场景下的交通标志图片比较复杂，存在噪声、失真、遮挡和光照不均等问题，传统的网络模型难以解决。因此，本文基于卷积神经网络在交通标志识别领域的应用，引入MobileNet V2深度可分离卷积网络模型，采用tensorflow框架，拟解决交通标志识别难题。软件平台为pycharm编辑器，数据集为GTSRB数据集。经过训练和测试后，实验结果表明MobileNet V2网络模型能够显著降低交通标志识别过程中的运算量，提高训练速度，并且该模型具有高识别精度的特点，能够满足复杂场景下交通标志识别的实时性和高效性要求。实验证明，该网络模型可以应用到自动驾驶或辅助驾驶汽车行业，实现降低违章及交通事故发生频率的目的。
目录

原文链接：http://www.jxszl.com/jtgc/jjtys/610123.html