摘要
随着智能交通系统（ITS）的快速发展，交通场景目标检测成为了自动驾驶、交通监控等领域的关键技术。
传统的目标检测方法难以满足复杂交通场景下对检测精度和实时性的要求。
近年来，深度学习技术的突破为交通场景目标检测提供了新的解决方案，而移动云计算的兴起则为解决深度学习模型计算量大、资源消耗高等问题带来了机遇。
本文首先介绍了交通场景目标检测和移动云计算的基本概念，并概述了相关技术的发展历程；接着，重点分析了基于深度学习的交通场景目标检测研究现状，包括目标检测算法、数据集和评估指标等方面；然后，对基于移动云计算的交通场景目标检测方法进行了深入探讨，包括云边协同、模型压缩与加速等关键技术；最后，总结了当前研究中存在的挑战，并展望了未来的发展趋势。
关键词：交通场景目标检测；移动云计算；深度学习；云边协同；模型压缩
1.引言近年来，随着城市化进程的加速推进，交通拥堵、交通事故等问题日益凸显，对人们的出行安全和效率造成了严重影响。
为了应对这些挑战，智能交通系统（IntelligentTransportationSystem,ITS）应运而生。
作为ITS的核心技术之一，交通场景目标检测旨在对道路上的车辆、行人、交通标志等目标进行精准识别和定位，为交通管理、自动驾驶、交通安全等应用提供重要支撑。
传统的交通场景目标检测方法主要依赖于人工设计的特征提取器，例如方向梯度直方图（HOG）、尺度不变特征变换（SIFT）等。
然而，这些方法在复杂交通场景下存在鲁棒性差、泛化能力弱等局限性。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
