基于深度学习的场景分类
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-15页 |
| ·课题研究的背景 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·场景分类的研究现状 | 第10-11页 |
| ·深度学习在图像领域的研究现状 | 第11-12页 |
| ·课题研究意义 | 第12-13页 |
| ·本文的章节安排及主要内容 | 第13-15页 |
| 2 相关基础理论 | 第15-33页 |
| ·场景分类的概念和特点 | 第15-18页 |
| ·场景分类的概念 | 第15-16页 |
| ·场景分类的主要特点 | 第16-18页 |
| ·机器学习中常用的分类模型 | 第18-23页 |
| ·SVM分类模型 | 第18-20页 |
| ·Softmax回归模型 | 第20-23页 |
| ·K-近邻分类模型 | 第23页 |
| ·人工神经网络 | 第23-27页 |
| ·神经元 | 第24-25页 |
| ·神经网络 | 第25-27页 |
| ·BP网络模型 | 第27-32页 |
| ·BP网络的基本原理 | 第27-29页 |
| ·BP算法的数学表达 | 第29-31页 |
| ·BP算法的执行步骤 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 深度学习网络模型 | 第33-43页 |
| ·深度学习 | 第33-35页 |
| ·深度学习简介 | 第33-34页 |
| ·深度学习基本思想 | 第34页 |
| ·深度学习训练过程 | 第34-35页 |
| ·深度学习常用方法 | 第35-40页 |
| ·自动编码器 | 第35-36页 |
| ·稀疏自动编码器 | 第36-37页 |
| ·受限玻尔兹曼机 | 第37-40页 |
| ·深度信念神经网络 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于深度卷积神经网络的场景分类 | 第43-55页 |
| ·卷积神经网络 | 第43-45页 |
| ·卷积神经网络结构 | 第43-44页 |
| ·卷积神经网络的优越性 | 第44-45页 |
| ·基于深度卷积神经网络算法 | 第45-48页 |
| ·模型简介 | 第45-46页 |
| ·系统层次及参数设置 | 第46-48页 |
| ·特征提取与模型训练 | 第48页 |
| ·实验结果及分析 | 第48-54页 |
| ·实验设置 | 第48-49页 |
| ·ImageNet-2012数据集上实验 | 第49-52页 |
| ·NUS-WIDE数据集上实验 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 5 总结和展望 | 第55-56页 |
| ·总结 | 第55页 |
| ·展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
