| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究进展及现状 | 第16-18页 |
| 1.3 论文研究内容与安排 | 第18-21页 |
| 第二章 基于多尺度卷积核卷积神经网络的极光图像分类 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 理论基础 | 第21-25页 |
| 2.2.1 卷积神经网络 | 第21-23页 |
| 2.2.2 自编码器 | 第23-25页 |
| 2.2.3 人类视觉注意力机制和眼动追踪技术 | 第25页 |
| 2.3 基于多尺度卷积核卷积神经网络的极光图像分类 | 第25-32页 |
| 2.3.1 眼动信息引导的图像块提取 | 第25-28页 |
| 2.3.2 基于图像块特征的卷积神经网络初始化 | 第28-31页 |
| 2.3.3 多尺度卷积核卷积神经网络 | 第31-32页 |
| 2.4 实验结果与分析 | 第32-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 基于全卷积神经网络的极光专家眼动注视图预测 | 第37-49页 |
| 3.1 引言 | 第37页 |
| 3.2 理论基础 | 第37-39页 |
| 3.2.1 全卷积神经网络 | 第37-38页 |
| 3.2.2 条件随机场 | 第38-39页 |
| 3.3 基于全卷积神经网络的极光专家眼动注视图预测 | 第39-44页 |
| 3.3.1 卷积神经网络构建 | 第39-40页 |
| 3.3.2 基于量化输入的非监督预训练 | 第40-41页 |
| 3.3.3 基于分级二值注视图的全卷积网络训练 | 第41-42页 |
| 3.3.4 基于条件随机场的预测结果融合 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于空时域深度神经网络的极光序列分类 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 理论基础 | 第49-52页 |
| 4.2.1 长短时记忆网络 | 第49-51页 |
| 4.2.2 图像显著区域检测 | 第51-52页 |
| 4.3 基于空时域深度神经网络的极光序列分类 | 第52-56页 |
| 4.3.2 空域分类网络 | 第52-54页 |
| 4.3.3 时域分类网络 | 第54-55页 |
| 4.3.4 网络融合 | 第55-56页 |
| 4.4 实验结果与分析 | 第56-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
