基于深度学习的图像型垃圾邮件分类
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 垃圾邮件过滤概述 | 第11-13页 |
| 1.2.1 垃圾邮件定义及种类 | 第11-13页 |
| 1.2.2 图像型垃圾邮件 | 第13页 |
| 1.3 国内外研究现状分析 | 第13-17页 |
| 1.3.1 基于图像浅层信息的过滤技术 | 第14-15页 |
| 1.3.2 基于深度学习的过滤技术 | 第15-16页 |
| 1.3.3 级联模型的过滤技术 | 第16-17页 |
| 1.4 主要研究内容 | 第17-18页 |
| 1.5 具体章节安排 | 第18-21页 |
| 第二章 卷积神经网络与支持向量机 | 第21-31页 |
| 2.1 卷积神经网络 | 第21-27页 |
| 2.1.1 卷积神经网络结构 | 第22-25页 |
| 2.1.2 卷积神经网络训练过程 | 第25-27页 |
| 2.1.3 卷积神经网络优缺点 | 第27页 |
| 2.2 支持向量机 | 第27-31页 |
| 2.2.1 线性支持向量机结构 | 第28页 |
| 2.2.2 线性支持向量机求解 | 第28-29页 |
| 2.2.3 多类别SVM与Softmax | 第29-31页 |
| 第三章 改进的卷积神经网络模型 | 第31-43页 |
| 3.1 迁移学习 | 第31-33页 |
| 3.2 卷积神经网络改进方法 | 第33-36页 |
| 3.2.1 数据增广 | 第33-34页 |
| 3.2.2 级联CNNSVM分类模型 | 第34-36页 |
| 3.3 基于局部特征的二次分类 | 第36-43页 |
| 3.3.1 一次分类特点及不足 | 第36-38页 |
| 3.3.2 HOG特征及LBP特征 | 第38-41页 |
| 3.3.3 基于HOG特征的SVM分类模型 | 第41-43页 |
| 第四章 实验结果及分析 | 第43-53页 |
| 4.1 实验相关数据 | 第43-45页 |
| 4.2 CNNSVM模型性能分析 | 第45-48页 |
| 4.3 基于HOG的SVM模型性能分析 | 第48-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53页 |
| 5.2 研究展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
