| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1. 研究背景及意义 | 第13-14页 |
| 1.2. 国内外研究现状 | 第14-16页 |
| 1.3. 本文研究成果与创新点 | 第16-17页 |
| 1.4. 本文结构 | 第17-19页 |
| 第二章 照片目标检测相关算法与框架 | 第19-39页 |
| 2.1. 目标检测算法的流程概览 | 第19-21页 |
| 2.1.1. 区域选择 | 第19-20页 |
| 2.1.2. 特征提取 | 第20页 |
| 2.1.3. 分类 | 第20页 |
| 2.1.4. 传统方案与基于卷积神经网络的解决方案 | 第20-21页 |
| 2.2. 卷积神经网络的发展历史 | 第21-23页 |
| 2.3. 卷积神经网络的主流结构 | 第23-28页 |
| 2.3.1. AlexNet | 第23-27页 |
| 2.3.2. VGGNet | 第27-28页 |
| 2.3.3. GoogLeNet | 第28页 |
| 2.3.4. SqueezeNet | 第28页 |
| 2.4. 基于卷积神经网络的图像目标检测算法 | 第28-36页 |
| 2.4.1. R-CNN系列算法 | 第29-32页 |
| 2.4.2. YOLO算法 | 第32-33页 |
| 2.4.3. SSD算法 | 第33-34页 |
| 2.4.4. FCN和DenseBox算法 | 第34-36页 |
| 2.5. 深度学习框架 | 第36-38页 |
| 2.5.1. Caffe | 第36-37页 |
| 2.5.2. Tensorflow | 第37-38页 |
| 2.5.3. MXNet | 第38页 |
| 2.6. 本章小结 | 第38-39页 |
| 第三章 基于深度学习标签分类的照片推荐 | 第39-55页 |
| 3.1. 基于标签分类的照片推荐 | 第40-43页 |
| 3.2. 基于关联规则的照片推荐 | 第43-46页 |
| 3.3. 基于协同过滤的照片推荐 | 第46-50页 |
| 3.3.1. 基于用户的协同过滤推荐 | 第47-48页 |
| 3.3.2. 基于物品的协同过滤推荐 | 第48-50页 |
| 3.4. 改进后的协同过滤推荐 | 第50-53页 |
| 3.4.1. 基于浏览时间跨度权重的协同过滤算法 | 第50-51页 |
| 3.4.2. 基于内容相似度权重的协同过滤算法 | 第51-52页 |
| 3.4.3. 结合浏览时间跨度和内容相似度的协同过滤算法 | 第52-53页 |
| 3.5. 本章小结 | 第53-55页 |
| 第四章 工业界中的应用验证与部署性能评测 | 第55-71页 |
| 4.1. 分类服务性能对比 | 第55-60页 |
| 4.1.1. GoogLeNet R-FCN和VGG16 SSD | 第55-56页 |
| 4.1.2. GoogLeNet R-FCN和SqueezeNet R-FCN | 第56-57页 |
| 4.1.3. 工业环境线上分类效果 | 第57-60页 |
| 4.2. 基于照片分类结果的推荐策略改进 | 第60-70页 |
| 4.2.1. 基于标签分类相关度的排序策略 | 第60-66页 |
| 4.2.2. 基于标签分类和关联规则的相关事件推荐 | 第66-67页 |
| 4.2.3. 改进后的协同过滤实验效果 | 第67-70页 |
| 4.3. 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75页 |
