| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状及分析 | 第11-15页 |
| 1.2.1 自动阅卷研究现状 | 第11-12页 |
| 1.2.2 传统特征提取方法 | 第12-14页 |
| 1.2.3 卷积神经网络研究现状 | 第14-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 卷积神经网络相关理论 | 第18-34页 |
| 2.1 卷积神经网络概述 | 第19-21页 |
| 2.1.1 前馈运算 | 第19-20页 |
| 2.1.2 反馈运算 | 第20-21页 |
| 2.2 卷积神经网络结构 | 第21-27页 |
| 2.2.1 卷积层 | 第22-24页 |
| 2.2.2 池化层 | 第24-25页 |
| 2.2.3 全连接层 | 第25页 |
| 2.2.4 激活函数 | 第25-27页 |
| 2.3 经典网络结构模型 | 第27-29页 |
| 2.3.1 AlexNet网络模型 | 第27-28页 |
| 2.3.2 VGGNet网络模型 | 第28-29页 |
| 2.4 性能优化 | 第29-31页 |
| 2.4.1 Dropout优化 | 第29-30页 |
| 2.4.2 网络模型优化算法 | 第30-31页 |
| 2.5 常见框架 | 第31-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 阅卷方案与photoshop阅卷模型设计 | 第34-44页 |
| 3.1 photoshop操作题分析 | 第34-35页 |
| 3.2 阅卷方案设计 | 第35-36页 |
| 3.3 针对photoshop操作题的卷积神经网络模型 | 第36-42页 |
| 3.3.1 conv1设计 | 第37-38页 |
| 3.3.2 conv2设计 | 第38-39页 |
| 3.3.3 conv3设计 | 第39-40页 |
| 3.3.4 conv4设计 | 第40页 |
| 3.3.5 conv5设计 | 第40-41页 |
| 3.3.6 全连接层设计 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 操作题答案样本设计 | 第44-68页 |
| 4.1 单素材操作题样本设计 | 第44-58页 |
| 4.1.1 操作情况分析 | 第44-45页 |
| 4.1.2 主观阅卷模型 | 第45-46页 |
| 4.1.3 样本设计 | 第46-58页 |
| 4.2 双素材操作题样本设计 | 第58-65页 |
| 4.2.1 操作情况分析 | 第59页 |
| 4.2.2 主观阅卷模型 | 第59-60页 |
| 4.2.3 样本设计 | 第60-65页 |
| 4.3 数据预处理 | 第65-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第五章 photoshop阅卷模型的训练与实验结果 | 第68-74页 |
| 5.1 神经网络的训练 | 第68-69页 |
| 5.1.1 数据随机打乱 | 第68页 |
| 5.1.2 网络模型训练 | 第68-69页 |
| 5.2 实验结果与分析 | 第69-73页 |
| 5.2.1 实验环境 | 第69页 |
| 5.2.2 结果分析 | 第69-73页 |
| 5.3 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 攻读硕士学位期间的科研成果 | 第82页 |