基于云端辅助的嵌入式终端卷积神经网络模型更新框架技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 引言 | 第8-9页 |
| 1.2 基础研究背景 | 第9-14页 |
| 1.2.1 深度神经网络基础 | 第9-11页 |
| 1.2.2 深度卷积神经网络 | 第11-13页 |
| 1.2.3 深度卷积神经网络应用场景 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 2 相关背景技术介绍 | 第18-22页 |
| 2.1 引言 | 第18页 |
| 2.2 相关技术介绍 | 第18-21页 |
| 2.2.1 传统云端辅助智能技术 | 第18-19页 |
| 2.2.2 神经网络增量学习技术 | 第19-20页 |
| 2.2.3 神经网络权重剪枝技术 | 第20页 |
| 2.2.4 神经网络迁移学习技术 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 云端辅助更新框架设计 | 第22-34页 |
| 3.1 引言 | 第22-23页 |
| 3.2 云端辅助更新框架设计细节 | 第23-26页 |
| 3.2.1 数据收集方法分析 | 第23-24页 |
| 3.2.2 模型重训练过程分析 | 第24-25页 |
| 3.2.3 模型权重提取方法分析 | 第25-26页 |
| 3.3 数据上传过滤技术 | 第26-28页 |
| 3.4 模型权重提取技术 | 第28-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 实验探究及结果分析 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 实验方法 | 第34-39页 |
| 4.2.1 模型训练参数初始化方式 | 第36-38页 |
| 4.2.2 验证实验考核指标 | 第38-39页 |
| 4.2.3 卷积层是否训练 | 第39页 |
| 4.3 上传策略实验结果及分析 | 第39-40页 |
| 4.4 权重提取策略实验结果及分析 | 第40-47页 |
| 4.4.1 更新考量 | 第41-42页 |
| 4.4.2 损失分析 | 第42-45页 |
| 4.4.3 阈值数目影响分析 | 第45-46页 |
| 4.4.4 剪枝神经网络效果分析 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 5.1 本文总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 附录 | 第57页 |
| A.作者在攻读学位期间发表的论文目录 | 第57页 |
| B.作者在攻读学位期间发表的专利目录 | 第57页 |
| C.作者在攻读学位期间参加的科研项目目录 | 第57页 |
