基于卷积神经网络的图像识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 卷积神经网络的研究背景 | 第9-10页 |
| 1.2 图像识别的研究现状 | 第10-12页 |
| 1.3 本文的主要内容和结构安排 | 第12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 卷积神经网络基础 | 第13-23页 |
| 2.1 卷积神经网络模型 | 第13-14页 |
| 2.2 卷积神经网络学习算法 | 第14-21页 |
| 2.2.1 网络的训练过程 | 第14-17页 |
| 2.2.2 神经元输入输出 | 第17-18页 |
| 2.2.3 灵敏度计算 | 第18-19页 |
| 2.2.4 权值更新 | 第19-20页 |
| 2.2.5 归一化算法 | 第20-21页 |
| 2.3 存在的问题 | 第21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 基于CNN的图像识别的改进 | 第23-41页 |
| 3.1 基于CNN的图像识别 | 第23-25页 |
| 3.1.1 系统软件结构 | 第23-24页 |
| 3.1.2 卷积网络各层设计 | 第24-25页 |
| 3.2 相关技术 | 第25-29页 |
| 3.2.1 CUDA | 第25-26页 |
| 3.2.2 并行化 | 第26-29页 |
| 3.3 基于CNN的图像识别的改进 | 第29-39页 |
| 3.3.1 数据输入接口 | 第29-33页 |
| 3.3.2 神经元激活函数 | 第33页 |
| 3.3.3 初始的权值选取 | 第33-34页 |
| 3.3.4 多区域的测试 | 第34-36页 |
| 3.3.5 偏差的共享与非共享 | 第36-37页 |
| 3.3.6 DROPOUT | 第37-39页 |
| 3.4 系统整体算法描述 | 第39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 测试结果与分析 | 第41-49页 |
| 4.1 平台搭建 | 第41-42页 |
| 4.2 测试结果与分析 | 第42-47页 |
| 4.2.1 图像识别的结果 | 第43-44页 |
| 4.2.2 多区域的测试对识别结果的影响 | 第44-45页 |
| 4.2.3 DROPOUT对识别结果的影响 | 第45-47页 |
| 4.2.4 偏差非共享对识别结果的影响 | 第47页 |
| 4.3 本章小结 | 第47-49页 |
| 5 总结 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
