基于深度学习的图像分类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 引言 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 深度学习概述 | 第13-14页 |
| 1.3 图像分类研究现状 | 第14-18页 |
| 1.3.1 图像预处理研究现状 | 第14页 |
| 1.3.2 图像特征提取研究现状 | 第14-15页 |
| 1.3.3 分类算法研究现状 | 第15-16页 |
| 1.3.4 深度学习在图像分类中研究现状 | 第16-18页 |
| 1.4 本文主要工作和组织结构 | 第18-20页 |
| 第2章 深度学习模型分析 | 第20-35页 |
| 2.1 深度模型提取图像特征 | 第20-21页 |
| 2.2 常用深度学习模型 | 第21-34页 |
| 2.2.1 栈式自动编码器 | 第21-23页 |
| 2.2.2 卷积神经网络 | 第23-27页 |
| 2.2.3 受限玻尔兹曼机 | 第27-30页 |
| 2.2.4 深度信念网络 | 第30-31页 |
| 2.2.5 卷积深度信念网络 | 第31-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 一种混合深度学习模型 | 第35-48页 |
| 3.1 深度模型迁移学习 | 第35-36页 |
| 3.2 R-CNN混合深度模型结构 | 第36-37页 |
| 3.3 R-CNN混合深度模型训练 | 第37-40页 |
| 3.4 R-CNN模型实验结果及分析 | 第40-47页 |
| 3.4.1 数据集COIL-20结果分析 | 第41-44页 |
| 3.4.2 数据集CIFAR-10结果分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于改进卷积编码的混合深度模型 | 第48-61页 |
| 4.1 CNN模型参数训练的问题 | 第48-49页 |
| 4.2 改进的卷积编码CE算法 | 第49-54页 |
| 4.2.1 改进的CE算法结构 | 第49-51页 |
| 4.2.2 改进的CE算法训练 | 第51-54页 |
| 4.3 基于CE算法的ER-CNN混合模型 | 第54-56页 |
| 4.3.1 ER-CNN混合模型结构 | 第54-55页 |
| 4.3.2 ER-CNN混合模型训练 | 第55-56页 |
| 4.4 ER-CNN混合模型实验结果及分析 | 第56-60页 |
| 4.4.1 数据集MNIST结果分析 | 第56-58页 |
| 4.4.2 数据集CIFAR-10结果分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 本文总结 | 第61页 |
| 5.2 研究展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第68页 |
