基于卷积神经网络的场景分类的研究与应用
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题的研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 场景分类的研究现状 | 第14-16页 |
| 1.2.2 卷积神经网络在场景分类上的研究现状 | 第16-17页 |
| 1.3 场景分类的难点 | 第17-18页 |
| 1.4 本文的主要内容 | 第18页 |
| 1.5 本文章节安排 | 第18-20页 |
| 第2章 场景分类的基本原理 | 第20-29页 |
| 2.1 场景分类的基本概念 | 第20页 |
| 2.2 场景分类框架 | 第20-24页 |
| 2.2.1 GIST特征提取 | 第20-22页 |
| 2.2.2 Softmax回归 | 第22-24页 |
| 2.3 人工神经网络 | 第24-28页 |
| 2.3.1 人工神经网络简介 | 第24页 |
| 2.3.2 人工神经网络模型 | 第24-25页 |
| 2.3.3 单层感知器 | 第25-26页 |
| 2.3.4 多层感知器 | 第26页 |
| 2.3.5 BP算法 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 卷积神经网络的结构模型 | 第29-39页 |
| 3.1 卷积神经网络概述 | 第29-34页 |
| 3.1.1 卷积神经网络的结构 | 第29-31页 |
| 3.1.2 激活函数 | 第31-34页 |
| 3.2 典型的卷积神经网络模型 | 第34-36页 |
| 3.2.1 LeNet-5模型 | 第34-35页 |
| 3.2.2 AlexNet模型结构 | 第35-36页 |
| 3.3 卷积神经网络的训练过程 | 第36-37页 |
| 3.3.1 训练过程 | 第36-37页 |
| 3.3.2 随机梯度下降算法 | 第37页 |
| 3.4 卷积神经网络的优势 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 卷积神经网络在场景分类上的分析 | 第39-47页 |
| 4.1 场景分类数据集介绍 | 第39-40页 |
| 4.1.1 Scene-15数据集 | 第39页 |
| 4.1.2 SUN-397数据集 | 第39-40页 |
| 4.2 卷积神经网络结构 | 第40-42页 |
| 4.2.1 conv1卷积层 | 第40页 |
| 4.2.2 conv2卷积层 | 第40-41页 |
| 4.2.3 conv3卷积层 | 第41页 |
| 4.2.4 conv4卷积层 | 第41页 |
| 4.2.5 全连接层 | 第41页 |
| 4.2.6 softmax层 | 第41-42页 |
| 4.3 方法的选择及分析 | 第42-46页 |
| 4.3.1 卷积核的大小和个数 | 第42-44页 |
| 4.3.2 采样方法的选择 | 第44-45页 |
| 4.3.3 激活函数的选择 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于改进的卷积神经网络的场景分类 | 第47-58页 |
| 5.1 卷积神经网络模型设计 | 第47-49页 |
| 5.1.1 对比模型 | 第47页 |
| 5.1.2 本章模型设计 | 第47-49页 |
| 5.2 网络参数的优化 | 第49-51页 |
| 5.2.1 训练和测试 | 第49-50页 |
| 5.2.2 特征可视化 | 第50-51页 |
| 5.3 网络模型的实现过程 | 第51-53页 |
| 5.3.1 数据的前向传播 | 第51页 |
| 5.3.2 计算梯度和误差 | 第51-52页 |
| 5.3.3 误差的反向传播 | 第52页 |
| 5.3.4 权值更新 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-57页 |
| 5.4.1 实验设置 | 第53页 |
| 5.4.2 Scene-15数据集 | 第53-55页 |
| 5.4.3 SUN-397数据集 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 本文总结 | 第58页 |
| 未来展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |
