目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1.1 研究背景及意义 1
1.2 国内外研究现状 1
1.3 本章小结 2
第二章 基于深度学习的交通标志检测算法 3
2.1 深度学习的基本概念 3
2.1.1 深度学习的概念 3
2.1.2 深度学习中的激活函数与损失函数 4
2.1.3 基于梯度的优化器 6
2.2 常用的深度学习交通标志检测算法 6
2.2.1 Faster RCNN算法 6
2.2.2 SSD算法 8
2.2.3 YOLO算法 9
2.3 yolov3算法的改进之处 12
2.4 本章小结 12
第三章 小目标交通标志检测的解决方法与方式 13
3.1 小目标检测的标准及其意义 13
3.2 常见的小目标交通标志 13
3.3 小目标交通标志难以检测的原因 14
3.4 小目标检测的解决方案 15
3.4.1 大量数据练习 15
3.4.2传统的图象金字塔和多尺度滑动窗口检测 15
3.4.3特征融合 15
3.4.4 降低下采样率与空洞卷积 16
3.4.5 合适的训练方法 17
3.4.6先生成放大特征再检测的GAN 17
3.5 本章小结 17
第四章 基于YOLOV3算法的小目标交通标志检测 18
4.1 Keras搭建yolov3交通标志检测平台 18
4.1.1预测部分 18
4.1.2 训练部分 20
4.1.3 训练自己的yolov3模型 21
4.2 基于YOLOV3算法的结果与分析 25
4.2.1制作自己的数据集 25
4.2.2 实验平台 28
4.2.3实验过程 28
4.2.4实验结果 29
4.2.5分析与总结 31
4. *51今日免费论文网|www.51jrft.com +Q: #351916072# 
3 本章小结 32
第五章 总结与展望 33
5.1 总结 33
5.2 展望 33
参考文献 34
致谢 35
基于深度学习的小目标交通标志检测算法研究
摘 要
这篇文章的工作是对小目标交通标志检测算法展开研究。对深度学习框架进行了系统性学习，了解了深度学习的基本概念及其实现过程，深刻理解激活函数与损失函数、基于梯度的优化器等。对常见的目标检测算法展开研究与比较，如Faster RCNN算法、SSD算法、YOLO系列算法，对它们的网络结构和实现过程进行分析，得出不同算法的特点，并分列出各自适合的情景。
该如何对小目标进行检测，提出了以下几种解决方案，主要是进行大数据训练、传统的图象金字塔和多尺度滑动窗口检测、降低下采样率与空洞卷积、特征融合。用keras搭建YOLOV3小目标交通标志检测平台，YOLOV3采用scale融合的方式做预测，在YOLOV3中采用类似FPN的upsample和融合做法，在多个scale的feature map上做检测，网络结构采用darknet53，一方面基本采用全卷积，另一方面引入了residual结构，在训练出自己的yolov3模型之后，进行实验分析与总结，修改后的YOLOV3检测算法对小目标交通标志的检测有显著提升，检测准确率保持在80%左右。
目录
目录

原文链接：http://www.jxszl.com/jtgc/jjtys/610134.html