基于深度学习的无监督型图像语义分析
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 相关理论和技术 | 第14-23页 |
| 2.1 深度学习 | 第14-17页 |
| 2.1.1 卷积神经网络 | 第14-15页 |
| 2.1.2 残差神经网络 | 第15-16页 |
| 2.1.3 全卷积神经网络 | 第16页 |
| 2.1.4 DenseNet | 第16-17页 |
| 2.2 自编码器 | 第17-18页 |
| 2.3 k-means聚类 | 第18-19页 |
| 2.4 目标检测 | 第19-21页 |
| 2.4.1 Faster R-CNN | 第19-20页 |
| 2.4.2 SSD | 第20-21页 |
| 2.5 人脸检测 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 基于深度学习的无监督图像分割 | 第23-34页 |
| 3.1 数据预处理 | 第23页 |
| 3.2 基于SDA的特征学习 | 第23-25页 |
| 3.3 层次块索引树的结构 | 第25-26页 |
| 3.4 基于SDAHPI的无监督图像分割 | 第26-27页 |
| 3.5 实验结果与分析 | 第27-32页 |
| 3.5.1 实验平台 | 第27-28页 |
| 3.5.2 数据集 | 第28-29页 |
| 3.5.3 网络结构分析 | 第29-30页 |
| 3.5.4 特征提取器比较 | 第30页 |
| 3.5.5 HPIT结构讨论 | 第30-32页 |
| 3.5.6 计算效率评估 | 第32页 |
| 3.6 本章小结 | 第32-34页 |
| 第四章 基于无监督图像分割的人脸检测 | 第34-48页 |
| 4.1 基本思想 | 第34页 |
| 4.2 数据和预处理 | 第34-36页 |
| 4.2.1 数据集 | 第34-36页 |
| 4.2.2 预处理 | 第36页 |
| 4.3 模型优化和损失函数引入 | 第36-39页 |
| 4.3.1 Focalloss | 第37-38页 |
| 4.3.2 在线难负样本挖掘 | 第38-39页 |
| 4.3.3 并行改进方案 | 第39页 |
| 4.3.4 非人脸误检优化 | 第39页 |
| 4.4 实验结果与分析 | 第39-46页 |
| 4.4.1 实验平台 | 第40页 |
| 4.4.2 评价指标 | 第40页 |
| 4.4.3 实验设置 | 第40-41页 |
| 4.4.4 实验结果分析总览 | 第41-42页 |
| 4.4.5 Focalloss实验分析 | 第42-43页 |
| 4.4.6 并行优化实验分析 | 第43-44页 |
| 4.4.7 非人脸误检结果分析 | 第44-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 总结和展望 | 第48-50页 |
| 5.1 工作总结 | 第48页 |
| 5.2 未来工作展望 | 第48-50页 |
| 致谢 | 第50-52页 |
| 参考文献 | 第52-60页 |
| 附录 | 第60页 |
