| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 选题的背景和意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要完成的工作内容 | 第13-16页 |
| 第二章 卷积神经网络和图像识别 | 第16-32页 |
| 2.1 多层感知器 | 第16-22页 |
| 2.1.1 基本神经网络 | 第16-19页 |
| 2.1.2 多层感知器及其训练 | 第19-20页 |
| 2.1.3 反向传播算法 | 第20-22页 |
| 2.2 卷积神经网络结构 | 第22-29页 |
| 2.2.1 卷积操作 | 第22-26页 |
| 2.2.2 权值共享 | 第26-27页 |
| 2.2.3 非线性处理 | 第27页 |
| 2.2.4 池化操作 | 第27-28页 |
| 2.2.5 全连接层和分类 | 第28-29页 |
| 2.2.6 所有步骤的组合 | 第29页 |
| 2.3 LeNet卷积结构 | 第29-32页 |
| 第三章 GoogLeNet结构和迁移学习 | 第32-42页 |
| 3.1 GoogLeNet结构 | 第32-36页 |
| 3.1.1 Inception V1模型 | 第32-34页 |
| 3.1.2 Inception V2和Inception V3模型 | 第34-36页 |
| 3.2 迁移学习 | 第36-42页 |
| 3.2.1 迁移学习 | 第36-38页 |
| 3.2.2 两种用于图像识别的迁移方法 | 第38-39页 |
| 3.2.3 基于GoogLeNet的ImageNet分类模型的迁移学习 | 第39-42页 |
| 第四章 影响识别系统准确率的主要因素 | 第42-52页 |
| 4.1 神经网络和训练方式的确定 | 第42-43页 |
| 4.2 数据集的制作 | 第43-48页 |
| 4.2.1 可用性处理 | 第43-44页 |
| 4.2.2 图片增强 | 第44-48页 |
| 4.3 移动端图片获取方式的选择 | 第48-52页 |
| 第五章 两种训练方式结果对比及移动端的迁移 | 第52-62页 |
| 5.1 数据的选择和获取 | 第52-53页 |
| 5.1.1 数据的获取 | 第52-53页 |
| 5.1.2 植物图片预处理 | 第53页 |
| 5.2 数据的训练 | 第53-58页 |
| 5.2.1 构造卷积神经网络 | 第53-56页 |
| 5.2.2 迁移学习构造识别模型 | 第56-58页 |
| 5.3 识别模型对于iOS移动端的迁移 | 第58-62页 |
| 5.3.1 分类模型迁移预处理 | 第59-60页 |
| 5.3.2 iOS前端准备 | 第60页 |
| 5.3.3 识别模型的调度 | 第60-61页 |
| 5.3.4 实验结果分析 | 第61-62页 |
| 第六章 总结和展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |