基于深度学习的图像识别鲁棒性研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 图像识别研究现状 | 第11-12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 论文研究内容与结构 | 第14-16页 |
| 第二章 深度学习相关技术 | 第16-28页 |
| 2.1 图像识别 | 第16-18页 |
| 2.1.1 图像识别的流程 | 第16-17页 |
| 2.1.2 特征提取 | 第17-18页 |
| 2.2 人工神经网络 | 第18-22页 |
| 2.2.1 神经元 | 第18-20页 |
| 2.2.2 人工神经网络 | 第20-22页 |
| 2.3 深度学习 | 第22-26页 |
| 2.3.1 深度网络的分类 | 第22-23页 |
| 2.3.2 卷积神经网络 | 第23-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 训练前标签预判断算法 | 第28-37页 |
| 3.1 引言 | 第28-29页 |
| 3.2 相关技术 | 第29-31页 |
| 3.2.1 前向传播 | 第29-30页 |
| 3.2.2 Softmax归一化函数 | 第30-31页 |
| 3.3 训练前标签预判断算法 | 第31-33页 |
| 3.3.1 算法流程 | 第31-32页 |
| 3.3.2 数学证明 | 第32-33页 |
| 3.4 实验结果 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 样本分类训练算法 | 第37-46页 |
| 4.1 引言 | 第37-38页 |
| 4.2 相关技术 | 第38-40页 |
| 4.2.1 Minibatch随机梯度下降法 | 第38-39页 |
| 4.2.2 信息熵 | 第39-40页 |
| 4.3 样本分类训练方法 | 第40-42页 |
| 4.3.1 样本分类 | 第40-41页 |
| 4.3.2 算法流程 | 第41-42页 |
| 4.4 实验结果 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 系统设计与实现 | 第46-55页 |
| 5.1 系统结构 | 第46-50页 |
| 5.1.1 模块功能 | 第47-48页 |
| 5.1.2 工作流程 | 第48-50页 |
| 5.2 系统实现 | 第50-52页 |
| 5.2.1 硬件环境 | 第50页 |
| 5.2.2 软件环境 | 第50-51页 |
| 5.2.3 系统界面 | 第51-52页 |
| 5.3 系统运行效果 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 论文总结 | 第55-56页 |
| 6.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 附录1 攻读硕士学位期间申请的专利 | 第62-63页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |
