| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究内容 | 第11页 |
| 1.3 研究方法 | 第11-12页 |
| 1.4 论文结构 | 第12-13页 |
| 第2章 深度神经网络概述 | 第13-24页 |
| 2.1 人工神经网络ANN | 第13-14页 |
| 2.2 深度神经网络DNN | 第14-18页 |
| 2.2.1 受限波兹曼机RBM | 第14-16页 |
| 2.2.2 非监督逐层预训练 | 第16-17页 |
| 2.2.3 自编码神经网络Auto-encoder | 第17-18页 |
| 2.3 卷积神经网络CNN | 第18-20页 |
| 2.4 经典的深度神经网络模型 | 第20-23页 |
| 2.4.1 AlexNet | 第20页 |
| 2.4.2 GoogLeNet | 第20-23页 |
| 2.4.3 VGGNet | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于深度学习的弱监督分类算法 | 第24-39页 |
| 3.1 弱监督分类的概念 | 第24页 |
| 3.2 非监督聚类算法 | 第24-34页 |
| 3.2.1 Auto-encoder特征空间聚类 | 第24-26页 |
| 3.2.2 带类内约束的特征空间聚类 | 第26-27页 |
| 3.2.3 带类间约束的特征空间聚类 | 第27-29页 |
| 3.2.4 类内类间共同约束的迭代算法 | 第29-30页 |
| 3.2.5 实验结果与分析 | 第30-34页 |
| 3.3 半监督聚类算法 | 第34-38页 |
| 3.3.1 半监督聚类算法的现实意义 | 第35页 |
| 3.3.2 基于CNN的半监督聚类模型 | 第35-37页 |
| 3.3.3 实验结果与分析 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 采用弱监督分类算法的图像分割与步态识别 | 第39-49页 |
| 4.1 图像分割 | 第39-45页 |
| 4.1.1 逐图分割的CNN模型 | 第40-42页 |
| 4.1.2 小样本数据扩增方法 | 第42页 |
| 4.1.3 随机丢失技术Drop-out方法 | 第42页 |
| 4.1.4 实验结果与分析 | 第42-45页 |
| 4.2 真实场景下的步态识别 | 第45-48页 |
| 4.2.1 样本自动标注生成方法(Pseudo-label) | 第46-47页 |
| 4.2.2 图像分割与步态识别的联合学习模型 | 第47页 |
| 4.2.3 实验结果与分析 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 全文总结 | 第49-50页 |
| 5.2 未来工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-57页 |
| 致谢 | 第57页 |