基于样本分布的卷积神经网络的研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状综述 | 第13-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 本文体系结构 | 第17-18页 |
| 第二章 深度卷积神经网络介绍及应用 | 第18-28页 |
| 2.1 深度卷积神经网络的结构 | 第18-22页 |
| 2.1.1 Alexnet | 第18-19页 |
| 2.1.2 VGGNet | 第19-20页 |
| 2.1.3 GoogLeNet | 第20-21页 |
| 2.1.4 Network in Network | 第21-22页 |
| 2.2 激活函数 | 第22-24页 |
| 2.3 优化方法 | 第24-26页 |
| 2.3.1 批量梯度下降 | 第25页 |
| 2.3.2 随机梯度下降 | 第25页 |
| 2.3.3 小批量梯度下降 | 第25-26页 |
| 2.4 实验平台 | 第26-27页 |
| 2.4.1 Caffe平台 | 第26页 |
| 2.4.2 Tensorflow平台 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 预训练:样本异常检测 | 第28-34页 |
| 3.1 网络的预训练 | 第29-30页 |
| 3.2 异常样本检测 | 第30-33页 |
| 3.3 算法性质的证明及分析 | 第33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 隐式正则化训练阶段 | 第34-41页 |
| 4.1 隐式正则化方案 | 第34-36页 |
| 4.2 算法性质分析 | 第36-37页 |
| 4.3 算法的合理性解释 | 第37-40页 |
| 4.3.1 与L2正则化的不同 | 第38页 |
| 4.3.2 解释为数据增强 | 第38-39页 |
| 4.3.3 解释为模型集成 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 实验结果及分析 | 第41-59页 |
| 5.1 实验设置 | 第41-44页 |
| 5.2 实验结果对比 | 第44-50页 |
| 5.2.1 手写体分类 | 第44-46页 |
| 5.2.2 自然图像分类 | 第46-47页 |
| 5.2.3 异常检测结果及分析 | 第47-50页 |
| 5.3 异常检测算法对比 | 第50-52页 |
| 5.4 不同初始化设置对比 | 第52-54页 |
| 5.5 隐式正则化效果的验证 | 第54-56页 |
| 5.6 超参数敏感度 | 第56-58页 |
| 5.7 可视化分析 | 第58-59页 |
| 第六章 总结和展望 | 第59-60页 |
| 6.1 系统创新总结 | 第59页 |
| 6.2 技术展望 | 第59-60页 |
| 参考文献 | 第60-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表论文 | 第69-70页 |
| 附件 | 第70页 |
