| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 图像分类技术概述 | 第12-13页 |
| 1.3 图像分类技术研究现状及发展趋势 | 第13-17页 |
| 1.4 本文研究内容与章节安排 | 第17-20页 |
| 1.4.1 本文研究内容 | 第17-18页 |
| 1.4.2 本文章节安排 | 第18-20页 |
| 第二章 理论基础 | 第20-38页 |
| 2.1 离散余弦变换 | 第20-24页 |
| 2.1.1 二维图像的离散余弦变换 | 第20-21页 |
| 2.1.2 基于DCT的压缩编码 | 第21-22页 |
| 2.1.3 DCT的解相关特性 | 第22-24页 |
| 2.2 稀疏自动编码机 | 第24-27页 |
| 2.2.1 自动编码机 | 第24-25页 |
| 2.2.2 稀疏自动编码机 | 第25-27页 |
| 2.3 深度信念网 | 第27-31页 |
| 2.3.1 受限玻尔兹曼机 | 第28-30页 |
| 2.3.2 深度信念网 | 第30-31页 |
| 2.4 小波散射卷积网络 | 第31-35页 |
| 2.4.1 散射小波变换 | 第32-33页 |
| 2.4.2 信号的散射小波表达 | 第33-34页 |
| 2.4.3 散射卷积网络 | 第34-35页 |
| 2.5 实验数据库 | 第35-37页 |
| 2.5.1 MNIST数据库 | 第35页 |
| 2.5.2 MNIST variation数据库 | 第35-37页 |
| 2.5.3 自然图像Cifar-10 数据库 | 第37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于DCT的深度学习框架 | 第38-52页 |
| 3.1 DCT与深度学习结合的主要思想 | 第38-39页 |
| 3.2 基于DCT的稀疏自动编码机 | 第39-46页 |
| 3.2.1 模型的构建与训练 | 第40-42页 |
| 3.2.2 实验设置 | 第42页 |
| 3.2.3 实验结果与分析 | 第42-46页 |
| 1）DCT系数个数对图像分类性能的影响 | 第42-45页 |
| 2）不同的网络结构对分类性能的影响 | 第45-46页 |
| 3.3 基于DCT的深度信念网 | 第46-50页 |
| 3.3.1 模型的构建与训练 | 第46-47页 |
| 3.3.2 实验设置 | 第47-48页 |
| 3.3.3 实验结果与分析 | 第48-50页 |
| 1）DCT系数个数对分类性能的影响 | 第48-50页 |
| 2）不同的网络结构对分类性能的影响 | 第50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 基于小波散射系数的深度学习框架 | 第52-63页 |
| 4.1 散射描述的局限性 | 第52-53页 |
| 4.2 基于小波散射系数的深度学习框架 | 第53-56页 |
| 4.2.1 图像散射描述的计算 | 第54-55页 |
| 4.2.2 深度学习框架的训练 | 第55-56页 |
| 4.3 实验结果与分析 | 第56-62页 |
| 4.3.1 小波散射系数与稀疏自动编码机的结合实验 | 第56-59页 |
| 1）实验设置 | 第56-57页 |
| 2）小波参数对分类性能的影响 | 第57-58页 |
| 3）稀疏自动编码机参数与模型结构对分类性能的影响 | 第58-59页 |
| 4.3.2 小波散射系数与深度信念网的结合实验 | 第59-61页 |
| 1）实验设置 | 第59页 |
| 2）小波参数对分类性能的影响 | 第59-60页 |
| 3）深度信念网参数与模型结构对分类性能的影响 | 第60-61页 |
| 4.3.3 本文各模型与其他模型的分类性能比较 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |