| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-19页 |
| 1.2.1 鞋印图像检索和分类技术国内外发展现状 | 第11-15页 |
| 1.2.2 基于卷积神经网络的模式识别技术国内外发展现状 | 第15-19页 |
| 1.3 目前存在的问题及本文主要工作 | 第19-21页 |
| 1.3.1 主要工作内容 | 第19-20页 |
| 1.3.2 主要创新点 | 第20-21页 |
| 1.4 本文组织结构 | 第21-22页 |
| 第2章 基于卷积神经网络的鞋印图像分类 | 第22-30页 |
| 2.1 引言 | 第22页 |
| 2.2 相关工作 | 第22-26页 |
| 2.2.1 CNN的整体网络结构 | 第22-23页 |
| 2.2.2 CNN的思想架构 | 第23-24页 |
| 2.2.3 LeNet-5的介绍及其在鞋印图像上的效果 | 第24-25页 |
| 2.2.4 公开数据库及其模型介绍 | 第25-26页 |
| 2.3 鞋印图像库的特点分析 | 第26-27页 |
| 2.4 本文算法总体框架 | 第27-28页 |
| 2.5 评测方法与测试数据 | 第28-29页 |
| 2.6 小结 | 第29-30页 |
| 第3章 小样本卷积神经网络的训练方法 | 第30-52页 |
| 3.1 引言 | 第30页 |
| 3.2 相关工作 | 第30-31页 |
| 3.3 针对鞋印图像的数据自动扩充方法 | 第31-35页 |
| 3.3.1 RST及噪声不变性的数据扩充 | 第31-34页 |
| 3.3.2 根据鞋印特点的弹性形变数据扩充 | 第34页 |
| 3.3.3 图片剪切的数据扩充 | 第34-35页 |
| 3.4 每类样本数目的选择方法与实验分析 | 第35-42页 |
| 3.4.1 原始样本数目数据训练模型 | 第36页 |
| 3.4.2 归一化样本数目数据训练模型 | 第36-38页 |
| 3.4.3 统一样本数目数据训练模型 | 第38-41页 |
| 3.4.4 样本数目选择方法实验分析 | 第41-42页 |
| 3.5 卷积神经网络训练加速方法 | 第42-49页 |
| 3.5.1 参数初始化 | 第42-47页 |
| 3.5.2 可变的学习速率 | 第47-49页 |
| 3.6 实验分析 | 第49-50页 |
| 3.7 小结 | 第50-52页 |
| 第4章 去冗余连接的CNN模型改进方法研究 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 相关工作 | 第52-55页 |
| 4.3 本文方法 | 第55-62页 |
| 4.4 实验分析 | 第62-63页 |
| 4.4.1 实验数据 | 第62页 |
| 4.4.2 实验结果 | 第62-63页 |
| 4.5 小结 | 第63-64页 |
| 第5章 基于卷积神经网络的鞋印图像分类算法实验结果分析 | 第64-68页 |
| 5.1 实验数据 | 第64页 |
| 5.2 实验参数设置 | 第64页 |
| 5.3 实验结果比较 | 第64-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 本文主要工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 攻读学位期间公开发表论文 | 第77-78页 |
| 致谢 | 第78-79页 |
| 作者简介 | 第79页 |
