基于深度学习的中国绘画图像分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.3.1 中国绘画图像分类的研究现状 | 第11-12页 |
| 1.3.2 深度学习的研究现状 | 第12-13页 |
| 1.4 论文主要工作 | 第13页 |
| 1.5 论文组织架构 | 第13-15页 |
| 第二章 相关理论基础 | 第15-34页 |
| 2.1 引言 | 第15页 |
| 2.2 图像分类概述 | 第15-20页 |
| 2.2.1 图像分类的概念 | 第15-16页 |
| 2.2.2 图像特征提取的流程 | 第16-18页 |
| 2.2.3 分类器的类型 | 第18-20页 |
| 2.3 浅层学习方法 | 第20-23页 |
| 2.3.1 浅层学习概述 | 第20-21页 |
| 2.3.2 浅层学习局限性 | 第21-23页 |
| 2.4 深度学习方法 | 第23-26页 |
| 2.4.1 深度学习概念 | 第23-25页 |
| 2.4.2 深度学习训练过程 | 第25-26页 |
| 2.5 深度学习的模型 | 第26-33页 |
| 2.5.1 前馈深度网络 | 第27-29页 |
| 2.5.2 反馈深度网络 | 第29-30页 |
| 2.5.3 双向深度网络 | 第30-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于DBN的中国绘画图像分类算法 | 第34-44页 |
| 3.1 引言 | 第34页 |
| 3.2 DBN的构成 | 第34页 |
| 3.3 卷积限制波尔兹曼机CRBM | 第34-36页 |
| 3.4 卷积深度信念网络CDBN | 第36-39页 |
| 3.4.1 最大概率池模型 | 第36-37页 |
| 3.4.2 稀疏正则化 | 第37-38页 |
| 3.4.3 CDBN模型结构 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-43页 |
| 3.5.1 实验所用数据库及目的 | 第39页 |
| 3.5.2 实验评价标准 | 第39-40页 |
| 3.5.3 实验设计及结果分析 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于CNN的中国绘画图像分类算法 | 第44-50页 |
| 4.1 改进的SMOTE扩增方法 | 第44-45页 |
| 4.2 数据的生成 | 第45-46页 |
| 4.2.1 样本的聚类 | 第45页 |
| 4.2.2 样本的生成 | 第45-46页 |
| 4.2.3 聚类个数的设置 | 第46页 |
| 4.3 基于Sigmoid+ReLu的CNN | 第46-47页 |
| 4.3.1 激活函数Sigmoid+ReLu | 第46-47页 |
| 4.3.2 CNN网络结构 | 第47页 |
| 4.4 实验结果与分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-53页 |
| 5.1 工作总结 | 第50-51页 |
| 5.2 未来展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-59页 |
| 中文详细摘要 | 第59-61页 |
