基于卷积神经网络的多类商品分类算法研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 问题研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究主要内容 | 第11-13页 |
| 第二章 研究的相关理论基础 | 第13-27页 |
| 2.1 机器学习 | 第13-17页 |
| 2.1.1 机器学习简介 | 第13页 |
| 2.1.2 神经网络的发展 | 第13-15页 |
| 2.1.3 误差反向传播算法 | 第15-17页 |
| 2.2 卷积神经网络 | 第17-22页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 池化层 | 第19页 |
| 2.2.3 全连接层 | 第19-20页 |
| 2.2.4 激活函数 | 第20-21页 |
| 2.2.5 Dropout | 第21-22页 |
| 2.3 深度学习框架CAFFE | 第22-23页 |
| 2.4 传统局部特征提取方法 | 第23-26页 |
| 2.4.1 SIFT特征 | 第23-24页 |
| 2.4.2 HOG特征 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于改进结构的卷积神经网络商品图像分类 | 第27-39页 |
| 3.1 网络结构设计 | 第27-30页 |
| 3.1.1 AlexNet网络简介 | 第27-28页 |
| 3.1.2 改进结构的网络设计 | 第28-30页 |
| 3.2 算法流程 | 第30-33页 |
| 3.2.1 数据准备 | 第30页 |
| 3.2.2 数据预处理 | 第30-31页 |
| 3.2.3 参数初始化 | 第31-32页 |
| 3.2.4 参数优化更新 | 第32-33页 |
| 3.3 实验分析 | 第33-37页 |
| 3.3.1 实验环境 | 第33页 |
| 3.3.2 实验结果与分析 | 第33-35页 |
| 3.3.3 改进网络的优良性分析 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于迁移学习的卷积神经网络商品分类 | 第39-51页 |
| 4.1 迁移学习 | 第39-40页 |
| 4.2 网络结构框架 | 第40-41页 |
| 4.3 本章算法流程 | 第41-44页 |
| 4.3.1 数据集 | 第41-42页 |
| 4.3.2 数据背景分割 | 第42-44页 |
| 4.3.3 训练和微调 | 第44页 |
| 4.4 实验分析 | 第44-50页 |
| 4.4.1 实验环境 | 第44页 |
| 4.4.2 实验结果与分析 | 第44-48页 |
| 4.4.3 网络特征可视化 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 研究工作总结 | 第51-53页 |
| 5.1.1 本文主要工作 | 第51页 |
| 5.1.2 未来工作 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的学术论著 | 第57-59页 |
| 致谢 | 第59页 |
