| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究的背景 | 第8-9页 |
| 1.2 图像分类的发展及现状 | 第9-10页 |
| 1.3 卷积神经网络的现状 | 第10-11页 |
| 1.4 主要工作和章节安排 | 第11-13页 |
| 第2章 图像分类识别算法 | 第13-25页 |
| 2.1 图像分类识别算法综述 | 第13-14页 |
| 2.2 基于BOW模型的图像分类 | 第14-20页 |
| 2.2.1 BOW模型及流程图 | 第14-16页 |
| 2.2.2 SIFT特征提取与描述因子 | 第16-18页 |
| 2.2.3 视觉词典的构建 | 第18-19页 |
| 2.2.4 常用分类器 | 第19-20页 |
| 2.3 BOW模型算法的缺点 | 第20-21页 |
| 2.4 基于深度学习的图像分类 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于改进的卷积神经网络的图像分类 | 第25-42页 |
| 3.1 卷积神经网络的结构原理 | 第25-28页 |
| 3.1.1 局部感知 | 第26页 |
| 3.1.2 权值共享 | 第26-27页 |
| 3.1.3 多核卷积 | 第27-28页 |
| 3.1.4 池化 | 第28页 |
| 3.2 卷积神经网络的训练 | 第28-31页 |
| 3.2.1 网络参数初始化 | 第28-29页 |
| 3.2.2 卷积神经网络的前向传播 | 第29页 |
| 3.2.3 卷积神经网络的反向传播 | 第29-30页 |
| 3.2.4 卷积层的梯度下降 | 第30页 |
| 3.2.5 池化层的梯度下降 | 第30-31页 |
| 3.3 改进的激活函数 | 第31-35页 |
| 3.3.1 sigmoid函数 | 第31-32页 |
| 3.3.2 tanh函数 | 第32-33页 |
| 3.3.3 Relu函数 | 第33-34页 |
| 3.3.4 softplus函数 | 第34页 |
| 3.3.5 Re-Soft函数 | 第34-35页 |
| 3.4 基于改进激活函数的图像分类 | 第35-41页 |
| 3.4.1 网络模型及图像库介绍 | 第35-37页 |
| 3.4.2 实验结果和分析 | 第37-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于Dropout卷积网络和SVM的图像分类 | 第42-59页 |
| 4.1 Dropout层工作原理 | 第42-44页 |
| 4.2 支持向量机 | 第44-47页 |
| 4.3 结合Dropout和SVM的混合模型 | 第47-48页 |
| 4.3.1 混合模型的结构 | 第47页 |
| 4.3.2 混合模型的优点 | 第47-48页 |
| 4.4 基于混合模型的图像分类 | 第48-57页 |
| 4.4.1 模型流程和参数 | 第48-49页 |
| 4.4.2 CNN的可视化 | 第49-50页 |
| 4.4.3 实验结果和分析 | 第50-52页 |
| 4.4.4 ROC曲线 | 第52-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 论文总结 | 第59页 |
| 5.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65页 |