深度学习与智慧交通

1 绪论
1．1 智慧交通概述
1．1．1 基本概念
1．1．2 体系结构
1．1．3 相关政策与研究进展
1．2 深度学习概述
1．3 交通领域中深度学习技术的应用
2 基于RetinaNet的车牌识别系统
2．1 概述
2．1．1 车牌识别的意义
2．1．2 研究现状分析
2．2 RetinaNet
2．2．1 RetinaNet的特征提取网络
2．2．2 锚点设置
2．2．3 Focal loss损失函数
2．3 基于卷积神经网络的字符识别
2．3．1 字符分类识别框架
2．3．2 字符特征提取网络
2．4 数据集
2．5 车牌识别实战
2．5．1 实验环境配置
2．5．2 车牌定位检测
2．5．3 车牌字符识别
2．5．4 整体功能测试
2．6 车牌识别应用软件设计
3 交通枢纽关键物体检测
3．1 概述
3．1．1 交通枢纽物体检测的意义
3．1．2 国内外研究现状
3．2 基于深度学习的交通枢纽关键物体检测
3．2．1 YOLO算法介绍
3．2．2 基于YOLO v3的交通枢纽行人检测
3．3 实验与分析
3．3．1 实验平台与Darknet框架
3．3．2 数据集制作
3．3．3 评价指标选定
3．3．4 实验结果分析
4 基于CSRNet算法的交通人群计数
4．1 人群计数概述
4．1．1 人群计数的意义
4．1．2 国内外研究现状
4．2 CSRNet算法
4．2．1 特征提取网络
4．2．2 损失函数和评价指标设置
4．3 基于CSRNet的交通人群计数
4．3．1 特征提取网络
4．3．2 真实密度图的生成
4．3．3 数据集
4．4 交通人群计数算法实战
4．4．1 模型训练
4．4．2 模型测试
5 基于SSD交通标志检测识别
5．1 交通标志检测识别
5．1．1 交通标志检测识别的意义
5．1．2 研究现状分析
5．1．3 交通标志识别研究的关键技术
5．2 SSD算法
5．2．1 SSD网络结构
5．2．2 锚点设置
5．2．3 损失函数
5．3 数据集
5．4 交通标志检测识别实战
5．4．1 实验环境
5．4．2 交通标志检测识别
6 交通枢纽关键目标跟踪
6．1 目标跟踪概述
6．1．1 目标跟踪的意义
6．1．2 研究现状
6．2 基于深度学习的目标跟踪算法
6．2．1 基于孪生网络的单目标跟踪算法
6．2．2 基于SORT的多目标跟踪算法
6．3 基于YOLO v5的Deep SORT的交通枢纽关键目标跟踪
6．3．1 YOLO v5模型的训练
6．3．2 Re-ID模型的训练
6．3．3 基于YOLO v5的Deep SORT模型的运行演示
6．3．4 跟踪结果
7 总结与展望
7．1 总结
7．2 展望
参考文献