| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-21页 |
| 1.1 人工神经网络的发展 | 第11-13页 |
| 1.2 深度学习技术的发展 | 第13-17页 |
| 1.3 卷积神经网络的发展 | 第17-18页 |
| 1.4 图像标记技术的发展 | 第18-19页 |
| 1.5 论文主要工作与章节安排 | 第19-20页 |
| 1.6 本章小节 | 第20-21页 |
| 2 卷积神经网络的结构与算法 | 第21-36页 |
| 2.1 卷积神经网络 | 第21-31页 |
| 2.1.1 神经元与人工神经网络结构 | 第21-23页 |
| 2.1.2 前向传导 | 第23页 |
| 2.1.3 反向传导 | 第23-25页 |
| 2.1.4 卷积神经网络的网络结构 | 第25-26页 |
| 2.1.5 卷积神经网络的训练过程 | 第26-28页 |
| 2.1.6 卷积神经网络的核心思想 | 第28-31页 |
| 2.2 神经网络的优化方法 | 第31-35页 |
| 2.2.1 损失函数 | 第31-32页 |
| 2.2.2 线性校对单元与Dropout | 第32-34页 |
| 2.2.3 CUDA编程 | 第34-35页 |
| 2.3 本章小节 | 第35-36页 |
| 3 卷积神经网络在图像分类上的实验 | 第36-51页 |
| 3.1 Torch框架简介 | 第36-37页 |
| 3.2 人脸-背景二分类实验 | 第37-39页 |
| 3.2.1 face-detector人脸数据集 | 第37-38页 |
| 3.2.2 训练模型 | 第38-39页 |
| 3.2.3 实验结果及分析 | 第39页 |
| 3.3 手写数字识别实验 | 第39-44页 |
| 3.3.1 MNIST手写数字集 | 第39-40页 |
| 3.3.2 训练模型 | 第40-44页 |
| 3.3.3 实验结果及分析 | 第44页 |
| 3.4 图像分类实验 | 第44-50页 |
| 3.4.1 CIFAR-10图像分类数据集 | 第44-45页 |
| 3.4.2 训练模型 | 第45-47页 |
| 3.4.3 实验结果及分析 | 第47-50页 |
| 3.5 本章小节 | 第50-51页 |
| 4 多尺度卷积神经网络在景物标记上的实验 | 第51-61页 |
| 4.1 Stanford Background实验 | 第51-56页 |
| 4.1.1 Stanford Background数据集 | 第51-52页 |
| 4.1.2 实验设计 | 第52-54页 |
| 4.1.3 实验结果 | 第54-55页 |
| 4.1.4 结果分析 | 第55-56页 |
| 4.2 SIFT Flow实验 | 第56-59页 |
| 4.2.1 SIFT Flow数据集 | 第56-57页 |
| 4.2.2 实验设计 | 第57-58页 |
| 4.2.3 实验结果 | 第58页 |
| 4.2.4 结果分析 | 第58-59页 |
| 4.3 本章小节 | 第59-61页 |
| 5 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63-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |