目录
摘 要 I
ABSTRACT II
第一章 文献综述 1
1.1 研究背景及意义 1
1.2 国内外研究现状 1
1.2.1 国内研究状况 2
1.2.2 国外研究状况 2
第二章 卷积神经网络与迁移学习 4
2.1 深度学习 4
2.2 卷积神经网络 4
2.2.1 卷积神经网络的发展史 5
2.2.2 卷积层 5
2.2.3 池化层 6
2.2.4 全连接层 6
2.2.5 激活函数 7
2.3 迁移学习 8
2.3.1 迁移学习的方法 9
2.3.2 迁移学习的方式 9
第三章 特征提取网络模型 10
3.1 AlexNet网络模型 10
3.1.1 网络模型结构 10
3.1.2 网络特点 11
3.2 ResNet网络模型 11
3.2.1 网络原理介绍 11
3.2.2 网络模型结构 12
3.2.3 网络特点 13
3.3 MobileNet网络模型 13
3.3.1 网络原理介绍 14
3.3.2 网络模型结构 15
3.3.3 网络特点 16
第四章 实验设计与实现 17
4.1 设计路线 17
4.2 实验环境 17
4.2.1 硬件配置 17
4.2.2 软件配置 17
4.3 性能评价标准 17
4.3.1 损失函数 17
4.3.2 准确率 18
4.3.3 可能性 18
4.4 实验调试 18
4.4.1 训练集规模 18
4.4.2 训练集划分比例 20
4.4.3 学习率 20
4.4.4 迭代次数 21
4.4.5 模型参数 21
4.5 总结分析 22
4.6 界面 *51今日免费论文网|www.51jrft.com +Q: &351916072& 
展示 23
第五章 结论与展望 27
5.1 工作总结 27
5.2 工作展望 27
参考文献 28
致 谢 30
基于卷积神经网络的交通图像识别
摘 要
交通图像识别系统对于智能交通管理和无人驾驶的意义至关重要，因此众多学者对采用计算机视觉技术的交通图像识别投入了大量精力进行研究。在该领域的众多研究中，因为光照变化、天气影响和拍摄技术的影响，交通图像自动识别面临着一定的挑战。采用深度学习的交通图像识别技术与传统的识别技术相比，能节省大量的人力资源。随着深度学习的兴起与发展，卷积神经网络在图像分类、自然语言处理、目标检测等方面都有所突破。本论文着眼于上述问题，研究如何在交通图像集上利用卷积神经网络，进行更准确的识别工作，本论文主要开展了以下研究工作：
1、从公开数据集上寻找合适的数据集，并对其进行筛选建立自己的数据集，为了有较为完整的数据集，又从网络上筛选了大量的交通图片，整理合并成5类车辆类型和7类主要交通标志的数据集。
2、本论文采用了AlexNet、ResNet34、MobileNetV2三种卷积神经网络模型，基于已构建的数据集进行模型训练，通过调试参数等实验，提高3个网络的识别准确率。
3、搭建了一个界面，通过界面与用户交互，用户可以从本地选择需要识别的图片，也可以通过摄像头拍摄照片，根据需要选择网络模型进行识别，界面会将分类结果直观展示。
4、根据实验结果以及各个网络模型的特点，分析总结了实验现象产生的原因。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/610054.html