基于深度学习模型的图像分类研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 引言 | 第8-10页 |
| 1 图像分类 | 第10-15页 |
| ·研究背景与意义 | 第10-12页 |
| ·图像分类研究流程 | 第12页 |
| ·图像分类研究现状 | 第12-15页 |
| 2 深度学习及相关模型 | 第15-32页 |
| ·浅层学习到深度学习 | 第15-18页 |
| ·浅层学习的局限性 | 第15-17页 |
| ·深度学习动机 | 第17-18页 |
| ·深度学习的基本思想 | 第18页 |
| ·深度学习常见模型 | 第18-30页 |
| ·深度置信网络 (DBN) | 第18-20页 |
| ·限制性玻尔兹曼机 （ RBM） | 第20-24页 |
| ·卷积神经网络 (CNN) | 第24-27页 |
| ·稀疏编码 （ Sparse Coding） | 第27-28页 |
| ·自动编码机 （ Auto Encoder） | 第28-30页 |
| ·深度学习的应用 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 3 显著性层次特征学习图像分类 | 第32-46页 |
| ·层次特征学习方法 | 第32页 |
| ·显著性信息 | 第32-33页 |
| ·融合显著信息的层次特征学习 | 第33-39页 |
| ·字典学习 | 第34页 |
| ·正交匹配寻踪编码 | 第34-35页 |
| ·显著性加权最大值汇聚 | 第35-38页 |
| ·对比度归一化 | 第38页 |
| ·构建层次学习模型 | 第38-39页 |
| ·实验设置和结果 | 第39-45页 |
| ·Caltech101数据集 | 第40-41页 |
| ·Caltech256数据集 | 第41-42页 |
| ·影响因素分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 4 基于卷积深度置信网络的场景图像分类 | 第46-59页 |
| ·场景图像分类 | 第46页 |
| ·场景分类研究方法 | 第46-48页 |
| ·卷积深度置信网络 | 第48-54页 |
| ·卷积RBM | 第48-50页 |
| ·概率型最大值汇聚 | 第50-51页 |
| ·Dropout技术 | 第51-52页 |
| ·构建卷积深度置信网络 | 第52-54页 |
| ·实验结果与分析 | 第54-58页 |
| ·Scene-15数据集 | 第54-56页 |
| ·UIUC-Sports8数据集 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 在学研究成果 | 第65页 |
