| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状与本文研究动机 | 第11-19页 |
| 1.2.1 图像分类的研究现状 | 第12-14页 |
| 1.2.2 深度学习的研究现状 | 第14-17页 |
| 1.2.3 分布式计算的研究现状 | 第17-19页 |
| 1.3 本文研究的主要工作及其创新点 | 第19-20页 |
| 1.4 本文研究的主要章节安排 | 第20-22页 |
| 第二章 相关基础理论概述 | 第22-33页 |
| 2.1 Hadoop相关理论 | 第22-23页 |
| 2.2 MapReduce框架 | 第23-28页 |
| 2.2.1 Hadoop MapReduce架构 | 第23-25页 |
| 2.2.2 MapReduce模型 | 第25-26页 |
| 2.2.3 MapReduce实现框架 | 第26-27页 |
| 2.2.4 MapReduce容错机制 | 第27-28页 |
| 2.2.5 MapReduce的错误处理机制 | 第28页 |
| 2.3 深度学习理论 | 第28-32页 |
| 2.3.1 深度学习的基本思想 | 第29-30页 |
| 2.3.2 浅层学习和深度学习 | 第30-31页 |
| 2.3.3 深度学习的训练方法 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于分布式K-means的图像特征提取算法 | 第33-46页 |
| 3.1 引言 | 第33页 |
| 3.2 K-means算法 | 第33-36页 |
| 3.2.1 单机K-means算法 | 第33-35页 |
| 3.2.2 分布式K-means算法 | 第35-36页 |
| 3.3 基于分布式K-means的图像特征提取算法的基本框架 | 第36-41页 |
| 3.3.1 预处理 | 第37-38页 |
| 3.3.2 基于分布式K-means算法的图像特征提取 | 第38-39页 |
| 3.3.3 图像分类 | 第39-41页 |
| 3.3.4 算法流程 | 第41页 |
| 3.4 实验结果与分析 | 第41-45页 |
| 3.4.1 实验环境及数据集介绍 | 第42页 |
| 3.4.2 白化操作对字典的影响 | 第42-43页 |
| 3.4.3 白化操作对图像分类准确度的影响 | 第43-44页 |
| 3.4.4 图像分类准确度的比较 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于深度层次特征学习的大规模图像分类算法 | 第46-67页 |
| 4.1 引言 | 第46-47页 |
| 4.2 深度学习的常用模型 | 第47-52页 |
| 4.2.1 AutoEncoder自动编码器 | 第47-48页 |
| 4.2.2 Sparse Coding稀疏编码 | 第48-49页 |
| 4.2.3 Restricted Boltzmann Machine限制波尔兹曼机 | 第49-50页 |
| 4.2.4 Deep Belief Networks深信度网络 | 第50-51页 |
| 4.2.5 Convolutional Neural Networks卷积神经网络 | 第51-52页 |
| 4.3 基于深度层次特征学习的大规模图像分类算法基本框架 | 第52-59页 |
| 4.3.1 图像预处理 | 第54-55页 |
| 4.3.2 图像的特征提取 | 第55-56页 |
| 4.3.3 图像的特征选择 | 第56-58页 |
| 4.3.4 图像分类 | 第58页 |
| 4.3.5 算法流程 | 第58-59页 |
| 4.4 实验结果与分析 | 第59-65页 |
| 4.4.1 实验环境和数据集 | 第60页 |
| 4.4.2 字典的比较 | 第60-61页 |
| 4.4.3 白化操作对图像分类准确度的影响 | 第61-62页 |
| 4.4.4 感受野的大小和其间的步长对图像分类准确度的影响 | 第62-64页 |
| 4.4.5 图像分类准确度的比较 | 第64-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 研究工作总结 | 第67-68页 |
| 5.2 下一步工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻硕期间取得的研究成果 | 第73-74页 |
