基于卷积神经网络的建筑风格图像分类的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景及意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状与相关工作 | 第11-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 文章结构 | 第15-17页 |
| 第2章 卷积神经网络 | 第17-29页 |
| 2.1 神经网络 | 第18-20页 |
| 2.2 反向传播算法 | 第20-22页 |
| 2.3 卷积神经网络原理 | 第22-23页 |
| 2.4 卷积神经网络结构 | 第23-24页 |
| 2.5 卷积神经网络各层计算过程 | 第24-26页 |
| 2.6 卷积神经网络训练过程 | 第26-28页 |
| 2.6.1 卷积层训练过程 | 第26-28页 |
| 2.6.2 池化层训练过程 | 第28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 浅层建筑风格图像分类模型设计 | 第29-40页 |
| 3.1 建筑风格图像数据库的创建 | 第29-30页 |
| 3.2 数据增强的方法 | 第30页 |
| 3.3 LeNet-5模型介绍及其改进 | 第30-33页 |
| 3.4 提高分类准确率的策略 | 第33-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 深层建筑风格图像分类模型设计 | 第40-56页 |
| 4.1 深层建筑风格图像分类模型设计 | 第40-45页 |
| 4.1.1 conv1卷积层设计 | 第41页 |
| 4.1.2 conv2卷积层设计 | 第41-42页 |
| 4.1.3 conv3卷积层设计 | 第42-43页 |
| 4.1.4 conv4卷积层设计 | 第43页 |
| 4.1.5 conv5卷积层设计 | 第43-44页 |
| 4.1.6 fc6全连接层设计 | 第44页 |
| 4.1.7 fc7全连接层设计 | 第44-45页 |
| 4.1.8 输出分类层设计 | 第45页 |
| 4.2 深层建筑风格图像分类模型训练测试算法 | 第45-47页 |
| 4.2.1 深层建筑风格图像分类模型训练过程 | 第46-47页 |
| 4.2.2 深层建筑风格图像分类模型测试过程 | 第47页 |
| 4.2.3 训练过程中的问题 | 第47页 |
| 4.3 深层建筑风格图像分类模型改进 | 第47-53页 |
| 4.4 优化网络参数 | 第53-55页 |
| 4.4.1 batch值设定 | 第54-55页 |
| 4.4.2 局部响应归一化 | 第55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-57页 |
| 5.1 总结 | 第56页 |
| 5.2 未来工作展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间的研究成果 | 第61页 |
