| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第二章 相关技术 | 第20-30页 |
| 2.1 卷积神经网络 | 第20-21页 |
| 2.2 循环神经网络 | 第21-24页 |
| 2.3 Visual Attention机制 | 第24-27页 |
| 2.4 强化学习 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 CRAM模型介绍 | 第30-44页 |
| 3.1 模型概述 | 第30-31页 |
| 3.2 模块介绍与实现 | 第31-40页 |
| 3.2.1 浅层卷积模块I_(init) | 第31-32页 |
| 3.2.2 循环神经网络模块RNN | 第32-34页 |
| 3.2.3 RNN隐藏层初始化模块h_(init)与降采样模块pooling | 第34-36页 |
| 3.2.4 聚焦模块glimpse | 第36-38页 |
| 3.2.5 聚焦位置模块locator | 第38-40页 |
| 3.2.6 分类模块classification | 第40页 |
| 3.3 训练方法 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 CRAM模型的实验验证和性能分析 | 第44-60页 |
| 4.1 前期准备 | 第44-45页 |
| 4.1.1 实验环境 | 第44页 |
| 4.1.2 实验数据 | 第44-45页 |
| 4.2 实验设计 | 第45-50页 |
| 4.2.1 CRAM模型与RAM、DRAM模型对比实验 | 第46-49页 |
| 4.2.2 Network in Network模型实验 | 第49-50页 |
| 4.3 实验结果分析 | 第50-56页 |
| 4.3.1 CRAM模型准确率及收敛速度分析 | 第50-53页 |
| 4.3.2 CRAM模型计算开销分析 | 第53-56页 |
| 4.4 Hard example mining | 第56-59页 |
| 4.4.1 分类结果分析 | 第56-57页 |
| 4.4.2 Hard example mining训练方法 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-64页 |
| 5.1 论文总结 | 第60-61页 |
| 5.2 展望 | 第61-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
