| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文研究的内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 神经网络简介 | 第14-27页 |
| 2.1 机器学习中的学习类别 | 第14页 |
| 2.1.1 监督学习 | 第14页 |
| 2.1.2 非监督学习 | 第14页 |
| 2.2 传统神经网络 | 第14-18页 |
| 2.2.1 神经元 | 第15-16页 |
| 2.2.2 神经网络的结构 | 第16-17页 |
| 2.2.3 反向传播算法 | 第17-18页 |
| 2.3 卷积神经网络 | 第18-25页 |
| 2.3.1 卷积层 | 第19-21页 |
| 2.3.2 池化层 | 第21-22页 |
| 2.3.3 全连接层 | 第22-23页 |
| 2.3.4 Softmax层 | 第23页 |
| 2.3.5 Dropout | 第23-25页 |
| 2.4 非监督单层卷积神经网络的特征提取 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于非监督CNN的运动估计研究 | 第27-39页 |
| 3.1 基于光流的运动估计 | 第27-28页 |
| 3.2 深度卷积神经网络的非监督学习 | 第28-33页 |
| 3.2.1 成本函数 | 第28-29页 |
| 3.2.2 非监督深度神经网络的结构 | 第29-31页 |
| 3.2.3 非监督深度神经网络的结构 | 第31-32页 |
| 3.2.4 输入图片的预处理 | 第32-33页 |
| 3.3 从粗糙到精细的运动估计模型 | 第33-34页 |
| 3.4 实验结果与分析 | 第34-38页 |
| 3.4.1 实验平台说明 | 第35页 |
| 3.4.2 实验模型 | 第35-37页 |
| 3.4.3 卷积核的设置 | 第37页 |
| 3.4.4 实验结果与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 迁移学习在非监督CNN的运动估计中的使用 | 第39-53页 |
| 4.1 VGG深度神经网络 | 第39-40页 |
| 4.2 迁移学习在运动估计中的运用 | 第40-45页 |
| 4.2.1 基于 3D卷积的运动信息采集 | 第40-42页 |
| 4.2.2 结合迁移学习的非监督神经网络的网络结构 | 第42-45页 |
| 4.3 课程学习在训练非监督神经网络中的运用 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-52页 |
| 4.4.1 实验说明 | 第46-48页 |
| 4.4.2 实验模型与过程 | 第48-50页 |
| 4.4.3 实验结果与分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-56页 |
| 5.1 本文的工作总结 | 第53-54页 |
| 5.2 进一步工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间申请的专利 | 第59-60页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 致谢 | 第61页 |