基于卷积神经网络的多标签场景分类
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究的主要内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 多标签分类和场景分类 | 第17-22页 |
| 2.1 多标签分类的定义 | 第17页 |
| 2.2 常用的多标签分类算法 | 第17-18页 |
| 2.3 多标签分类的评价标准 | 第18-19页 |
| 2.4 场景分类定义 | 第19-20页 |
| 2.5 场景分类的难点 | 第20-21页 |
| 2.6 常用的场景分类算法 | 第21-22页 |
| 第3章 人工神经网络和卷积神经网络 | 第22-36页 |
| 3.1 人工神经网络模型 | 第22-30页 |
| 3.1.1 神经元模型 | 第22-26页 |
| 3.1.2 MLP神经网络模型 | 第26-28页 |
| 3.1.3 自动编码器神经网络模型 | 第28-29页 |
| 3.1.4 神经网络BP算法简介 | 第29-30页 |
| 3.2 卷积神经网络 | 第30-36页 |
| 3.2.1 局部连接 | 第31页 |
| 3.2.2 权值共享 | 第31-32页 |
| 3.2.3 子采样 | 第32页 |
| 3.2.4 BP在卷积神经网络中的应用 | 第32-34页 |
| 3.2.5 卷积神经网络举例 | 第34-36页 |
| 第4章 卷积神经网络在场景分类中的应用 | 第36-50页 |
| 4.1 基于低层特征的场景分类概况 | 第36-37页 |
| 4.2 基于自动编码器的图像特征学习 | 第37-42页 |
| 4.2.1 训练数据集 | 第37-38页 |
| 4.2.2 图像分割 | 第38页 |
| 4.2.3 预处理 | 第38-40页 |
| 4.2.4 自动编码器的网络结构 | 第40页 |
| 4.2.5 编码器损失函数的定义 | 第40-42页 |
| 4.2.6 自动编码器的训练 | 第42页 |
| 4.3 构造卷积神经网络分类器 | 第42-45页 |
| 4.3.1 逻辑回归 | 第42-43页 |
| 4.3.2 网络结构 | 第43-44页 |
| 4.3.3 训练过程 | 第44-45页 |
| 4.4 试验结果 | 第45-50页 |
| 4.4.1 自编码器的试验结果 | 第45-47页 |
| 4.4.2 卷积神经网络的试验结果 | 第47-48页 |
| 4.4.3 其他试验结果 | 第48-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间所发表的学术论文目录 | 第57-58页 |
| 附件 | 第58页 |
