| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 深度学习在图像领域的研究现状 | 第15-17页 |
| 1.2.2 卷积神经网络在图像领域的研究现状 | 第17-18页 |
| 1.2.3 卷积神经网络在图像分类上的应用 | 第18页 |
| 1.3 论文研究内容 | 第18-19页 |
| 1.4 论文的组织安排 | 第19-20页 |
| 第2章 相关技术概述 | 第20-32页 |
| 2.1 图像分类关键技术研究 | 第20-22页 |
| 2.1.1 图像特征提取 | 第20-22页 |
| 2.1.2 图像分类方法 | 第22页 |
| 2.2 反向传播算法 | 第22-24页 |
| 2.3 卷积神经网络算法 | 第24-29页 |
| 2.3.1 卷积神经网络架构 | 第24-25页 |
| 2.3.2 卷积神经网络的卷积运算 | 第25-26页 |
| 2.3.3 卷积神经网络的下采样 | 第26-27页 |
| 2.3.4 卷积神经网络的优点 | 第27-29页 |
| 2.4 CAFFE简介 | 第29-31页 |
| 2.4.1 Caffe的优点 | 第29-30页 |
| 2.4.2 Caffe的基本数据结构 | 第30页 |
| 2.4.3 Caffe的网络配置 | 第30-31页 |
| 2.5 多任务学习方法 | 第31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 Caffe框架下针对食材图像分类CNN研究 | 第32-43页 |
| 3.1 AlexNet网络架构 | 第32-33页 |
| 3.2 VGG-16网络架构 | 第33-34页 |
| 3.3 CaffeNet网络架构 | 第34-35页 |
| 3.3.1 Local Response Normalization | 第35页 |
| 3.3.2 dropout策略 | 第35页 |
| 3.4 数据采集与预处理 | 第35-37页 |
| 3.4.1 数据采集 | 第36-37页 |
| 3.4.2 脚本分类 | 第37页 |
| 3.4.3 数据清洗 | 第37页 |
| 3.5 训练卷积神经网络 | 第37-38页 |
| 3.5.1 数据集及实验环境 | 第37-38页 |
| 3.5.2 实验设计 | 第38页 |
| 3.6 图像分类结果与分析 | 第38-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 食材图像分类多任务自动清洗CNN研究 | 第43-49页 |
| 4.1 多任务自动清洗卷积神经网络模型设计 | 第43-44页 |
| 4.2 多任务自动清洗卷积网络共享bottom层 | 第44-45页 |
| 4.3 多任务自动清洗CNN模型公式描述 | 第45-46页 |
| 4.4 自适应权重学习 | 第46页 |
| 4.5 多任务自动清洗CNN算法预测过程描述 | 第46-47页 |
| 4.6 实验结果与分析 | 第47-48页 |
| 4.7 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57页 |