| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 ILSVRC | 第12-14页 |
| 1.4 本文的研究内容和组织结构 | 第14-17页 |
| 第二章 深度学习基础理论综述 | 第17-27页 |
| 2.1 判别模型(discriminative model) | 第17-19页 |
| 2.1.1 词袋模型 | 第17-18页 |
| 2.1.2 分类器-支持矢量机 | 第18-19页 |
| 2.2 深度模型 | 第19-25页 |
| 2.2.1 受限玻尔兹曼机(RBM模型) | 第21-22页 |
| 2.2.2 深度信念网络(DBN模型) | 第22-23页 |
| 2.2.3 Deep Autoencoder模型 | 第23-24页 |
| 2.2.4 卷积神经网络(CNN模型) | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 CNN模型优化与可视化 | 第27-43页 |
| 3.1 数据预处理 | 第27页 |
| 3.2 CNN模型构建 | 第27-32页 |
| 3.2.1 CNN神经元层结构 | 第27-30页 |
| 3.2.2 决策层和目标函数 | 第30-31页 |
| 3.2.3 阻止网络过拟合(dropout) | 第31-32页 |
| 3.3 模型训练 | 第32-39页 |
| 3.3.1 深度模型训练算法(SGD和LBFGS) | 第32-37页 |
| 3.3.2 模型总体框架 | 第37-38页 |
| 3.3.3 数据增强 | 第38页 |
| 3.3.4 训练参数 | 第38-39页 |
| 3.4 模型可视化(反卷积网络) | 第39-40页 |
| 3.5 模型训练结果分析 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 迁移学习：模型fine-tune和概念映射 | 第43-53页 |
| 4.1 模型微调：fine-tuning model | 第43-46页 |
| 4.2 概念映射 | 第46-48页 |
| 4.2.1 Normalized Google距离(Normalized Google distance) | 第46-47页 |
| 4.2.2 WordNet相似度 | 第47-48页 |
| 4.2.3 特征提取与SVM分类器训练 | 第48页 |
| 4.3 迁移学习结果分析 | 第48-51页 |
| 4.4 生成视频片段 | 第51-53页 |
| 第五章 展望与总结 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间发表的学术论文目录 | 第59页 |
