| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 食物识别技术路线总览 | 第15-16页 |
| 1.3 图像识别分类技术国内外研究现状 | 第16-19页 |
| 1.3.1 传统机器学习图像识别技术 | 第16-18页 |
| 1.3.2 深度学习图像识别技术 | 第18-19页 |
| 1.4 本文主要研究内容 | 第19-20页 |
| 1.5 本文的组织结构 | 第20-22页 |
| 第2章 卷积神经网络与相关图像识别算法 | 第22-32页 |
| 2.1 卷积神经网络感知单元 | 第22-26页 |
| 2.1.1 卷积单元 | 第22-23页 |
| 2.1.2 池化单元 | 第23-24页 |
| 2.1.3 激活函数 | 第24-25页 |
| 2.1.4 批量归一化 | 第25-26页 |
| 2.2 卷积神经网络的实现 | 第26-27页 |
| 2.2.1 卷积神经网络结构 | 第26-27页 |
| 2.2.2 卷积神经网络权值共享与局部感受野 | 第27页 |
| 2.3 基于卷积神经网络图像识别算法 | 第27-31页 |
| 2.3.1 LeNet-5训练Mnist数据集过程 | 第28页 |
| 2.3.2 类LeNet训练食物数据集 | 第28-29页 |
| 2.3.3 实验结果分析 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于深度感知的食物识别算法 | 第32-42页 |
| 3.1 食物图像数据集 | 第32-36页 |
| 3.1.1 食物图像特点 | 第33页 |
| 3.1.2 食物图像预处理 | 第33-36页 |
| 3.2 本文所提食物识别算法 | 第36-39页 |
| 3.2.1 跳跃卷积 | 第36-37页 |
| 3.2.2 局部池化层 | 第37-38页 |
| 3.2.3 食物识别网络搭建 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-41页 |
| 3.3.1 准确率对比 | 第39-40页 |
| 3.3.2 训练时间与参数对比 | 第40页 |
| 3.3.3 算法混淆矩阵 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于深度感知的多网络融合食物识别算法 | 第42-56页 |
| 4.1 深度网络融合算法 | 第42-46页 |
| 4.1.1 网络融合算法优越性 | 第43页 |
| 4.1.2 网络融合方式 | 第43-46页 |
| 4.2 多网络融合决策器 | 第46-49页 |
| 4.2.1 常见网络融合策略 | 第47-48页 |
| 4.2.2 传统网络融合的局限性 | 第48-49页 |
| 4.3 多网络Boosting融合策略 | 第49-51页 |
| 4.3.1 传统Boosting融合策略 | 第49-50页 |
| 4.3.2 次数抑制Boosting融合策略 | 第50-51页 |
| 4.4 实验结果与分析 | 第51-55页 |
| 4.4.1 Boosting融合实验 | 第51-53页 |
| 4.4.2 次数抑制Boosting融合实验 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 移动端食物识别系统的设计与实现 | 第56-75页 |
| 5.1 食物识别系统总体设计思路 | 第56-61页 |
| 5.1.1 系统需求分析与设计思路 | 第56-58页 |
| 5.1.2 系统开发平台 | 第58-61页 |
| 5.2 深度食物识别模型移植Android移动端 | 第61-65页 |
| 5.2.1 深度学习网络的训练与封装 | 第61-63页 |
| 5.2.2 深度网络模型在Android端的移植与调试 | 第63-65页 |
| 5.3 Android端食物识别系统后续开发 | 第65-70页 |
| 5.3.1 Android端食物包装文字识别技术 | 第65-68页 |
| 5.3.2 Android端食物信息查询技术 | 第68-70页 |
| 5.4 食物识别系统测试与分析 | 第70-73页 |
| 5.4.1 系统食物识别模块 | 第70-71页 |
| 5.4.2 系统食物信息查询模块 | 第71-72页 |
| 5.4.3 食物包装文字识别模块 | 第72-73页 |
| 5.5 本章小结 | 第73-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 6.1 结论 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81页 |