复杂环境下图像分类与标注
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 国内外的研究现状 | 第12-16页 |
| 1.2.1 图像特征提取 | 第12-13页 |
| 1.2.2 图像分类 | 第13页 |
| 1.2.3 图像标注 | 第13-14页 |
| 1.2.4 深度学习及卷积神经网络 | 第14-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第2章 深度学习理论 | 第19-29页 |
| 2.1 人工神经网络 | 第19-21页 |
| 2.1.1 人工神经网络结构 | 第19-20页 |
| 2.1.2 反向传播算法 | 第20-21页 |
| 2.2 深度学习 | 第21-23页 |
| 2.2.1 深度学习的基本思想 | 第22-23页 |
| 2.2.2 深度学习的实现过程 | 第23页 |
| 2.3 卷积神经网络 | 第23-28页 |
| 2.3.1 卷积网络结构 | 第24页 |
| 2.3.2 局部感受野 | 第24-25页 |
| 2.3.3 权值共享设计 | 第25页 |
| 2.3.4 多卷积核 | 第25-27页 |
| 2.3.5 池化 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 卷积神经网络模型 | 第29-41页 |
| 3.1 卷积神经网络模型 | 第29-34页 |
| 3.1.1 AlexNet网络模型 | 第29-30页 |
| 3.1.2 卷积网络计算 | 第30-33页 |
| 3.1.3 卷积神经网络的训练 | 第33-34页 |
| 3.2 网络模型设计 | 第34-39页 |
| 3.2.1 激活函数 | 第35-38页 |
| 3.2.2 隐含层特征 | 第38-39页 |
| 3.3 本章小结 | 第39-41页 |
| 第4章 图像特征提取 | 第41-55页 |
| 4.1 常用特征提取方法 | 第41-45页 |
| 4.1.1 RGB颜色空间 | 第42-43页 |
| 4.1.2 HSV颜色直方图特征 | 第43-45页 |
| 4.2 卷积神经网络特征提取 | 第45-48页 |
| 4.2.1 第一层网络设计 | 第45-46页 |
| 4.2.2 第二层网络设计 | 第46页 |
| 4.2.3 第三层网络设计 | 第46-47页 |
| 4.2.4 第四层网络设计 | 第47页 |
| 4.2.5 第五层网络设计 | 第47-48页 |
| 4.3 特征可视化 | 第48-54页 |
| 4.3.1 第一层网络 | 第48-51页 |
| 4.3.2 第二层网络 | 第51-52页 |
| 4.3.3 第三和四层网络 | 第52-53页 |
| 4.3.5 第五层网络 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 图像分类与标注的应用 | 第55-72页 |
| 5.1 全连接层设计 | 第55-57页 |
| 5.1.1 分类器 | 第55-56页 |
| 5.1.2 第六层网络设计 | 第56页 |
| 5.1.3 第七层网络设计 | 第56-57页 |
| 5.1.4 第八层网络设计 | 第57页 |
| 5.2 目标检测 | 第57-59页 |
| 5.3 网络优化 | 第59-63页 |
| 5.3.1 全连接层可视化 | 第59-61页 |
| 5.3.2 网络改进 | 第61-63页 |
| 5.4 实验结果分析 | 第63-71页 |
| 5.4.1 评价指标及实验环境 | 第63页 |
| 5.4.2 单标签结果分析 | 第63-65页 |
| 5.4.3 多标签结果分析 | 第65-71页 |
| 5.5 本章小结 | 第71-72页 |
| 总结与展望 | 第72-74页 |
| 1.全文总结 | 第72页 |
| 2.后续展望 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 附录A 攻读学位期间所发表学术成果目录 | 第80页 |
