| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 深度学习的国内外研究现状 | 第10-12页 |
| 1.2.1 国外的研究现状 | 第10-11页 |
| 1.2.2 国内的研究现状 | 第11-12页 |
| 1.3 图像识别的概述 | 第12-13页 |
| 1.3.1 图像识别 | 第12页 |
| 1.3.2 图像识别的方法 | 第12-13页 |
| 1.4 本文的主要工作和内容安排 | 第13-16页 |
| 2 深度学习 | 第16-28页 |
| 2.1 什么是深度学习 | 第16-18页 |
| 2.1.1 深度学习 | 第16-17页 |
| 2.1.2 浅层学习和深度学习 | 第17-18页 |
| 2.2 深度学习及训练过程 | 第18-19页 |
| 2.2.1 BP算法的问题 | 第18页 |
| 2.2.2 深度学习的训练过程 | 第18-19页 |
| 2.3 深度学习的常用方法 | 第19-23页 |
| 2.3.1 稀疏编码 | 第19-20页 |
| 2.3.2 栈式自编码器 | 第20-21页 |
| 2.3.3 受限制玻尔兹曼机 | 第21-22页 |
| 2.3.4 深度信念网络 | 第22-23页 |
| 2.4 卷积神经网络的原理 | 第23-26页 |
| 2.4.1 卷积神经网络的结构 | 第23-24页 |
| 2.4.2 稀疏连接和权值共享 | 第24-25页 |
| 2.4.3 卷积神经网络的训练方法 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 Caffe深度学习框架的搭建 | 第28-32页 |
| 3.1 Caffe框架的概述 | 第28-29页 |
| 3.1.1 Caffe框架基本介绍 | 第28页 |
| 3.1.2 Caffe框架的特性 | 第28-29页 |
| 3.1.3 Caffe框架的构架 | 第29页 |
| 3.2 Caffe框架的搭建 | 第29-31页 |
| 3.2.1 Caffe框架的搭建环境 | 第29-30页 |
| 3.2.2 Caffe框架的安装 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 基于卷积神经网络的手写数字识别 | 第32-46页 |
| 4.1 MNIST数据集 | 第32页 |
| 4.2 结构分析与参数优化 | 第32-38页 |
| 4.2.1 卷积核大小的选择 | 第33页 |
| 4.2.2 池化 | 第33-34页 |
| 4.2.3 激活函数 | 第34-35页 |
| 4.2.4 Dropout | 第35-36页 |
| 4.2.5 Slover方法 | 第36-38页 |
| 4.3 网络的改进方式与结果分析 | 第38-45页 |
| 4.3.1 网络原型工作原理及改进方式 | 第38-41页 |
| 4.3.2 实验结果及分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 基于深度卷积神经网络的人脸识别应用 | 第46-58页 |
| 5.1 人脸数据集 | 第46-48页 |
| 5.2 深度卷积神网络模型的设计 | 第48-50页 |
| 5.2.1 主成分分析 | 第48-49页 |
| 5.2.2 二维Gabor滤波器 | 第49-50页 |
| 5.2.3 加入Gabor滤波的网络模型 | 第50页 |
| 5.3 基于CNN-G的人脸识别应用 | 第50-54页 |
| 5.3.1 单尺度的CNN-G实验 | 第50-52页 |
| 5.3.2 多尺度的CNN-G实验 | 第52-54页 |
| 5.4 基于CNN1-R、CNN3-R的ORL人脸识别 | 第54-56页 |
| 5.4.1 CNN1-R在ORL数据集上的实验结果 | 第55页 |
| 5.4.2 CNN3-R在ORL数据集上的实验结果 | 第55-56页 |
| 5.5 本章小结 | 第56-58页 |
| 6 总结和展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 作者攻读学位期间发表论文清单 | 第66-68页 |
| 致谢 | 第68页 |
