| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景和意义 | 第9-11页 |
| 1.2.1 研究背景 | 第9-10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状和进展 | 第11-13页 |
| 1.4 本文主要工作与结构 | 第13-15页 |
| 1.4.1 主要工作 | 第13页 |
| 1.4.2 文章结构 | 第13-15页 |
| 第2章 卷积神经网络与深度学习框架 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 人工神经网络基本原理 | 第15-19页 |
| 2.2.1 网络结构 | 第15-17页 |
| 2.2.2 BP算法 | 第17-19页 |
| 2.3 卷积神经网络设计 | 第19-28页 |
| 2.3.1 卷积层 | 第19-22页 |
| 2.3.2 池化层 | 第22-23页 |
| 2.3.3 激活层 | 第23-26页 |
| 2.3.4 增强层 | 第26-28页 |
| 2.4 MXNET/Gluon深度学习框架 | 第28页 |
| 2.4.1 MXNET | 第28页 |
| 2.4.2 Gluon | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 分类模型分析与仿真研究 | 第29-44页 |
| 3.1 引言 | 第29页 |
| 3.2 分类数据集 | 第29-31页 |
| 3.2.1 FashionMNIST | 第29-30页 |
| 3.2.2 Cifar-10 | 第30-31页 |
| 3.3 分类模型 | 第31-36页 |
| 3.3.1 AlexNet模型 | 第31-33页 |
| 3.3.2 GoogleNet模型 | 第33-34页 |
| 3.3.3 ResNet模型 | 第34-36页 |
| 3.4 仿真与分析 | 第36-43页 |
| 3.4.1 数据预处理 | 第36-37页 |
| 3.4.2 模型构建 | 第37-41页 |
| 3.4.3 实验结果与分析 | 第41-43页 |
| 3.4.4 分类模型优化策略总结 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 改进的卷积神经网络方法及应用研究 | 第44-66页 |
| 4.1 引言 | 第44页 |
| 4.2 改进后单通道网络模型在高噪声车牌字符识别中的应用 | 第44-50页 |
| 4.2.1 数据预处理 | 第45-46页 |
| 4.2.2 单通道模型设计 | 第46-47页 |
| 4.2.3 实验结果与分析 | 第47-50页 |
| 4.3 改进后孪生网络模型在人脸识别中的应用 | 第50-57页 |
| 4.3.1 数据预处理 | 第51-52页 |
| 4.3.2 孪生网络模型设计 | 第52-55页 |
| 4.3.3 实验结果与分析 | 第55-57页 |
| 4.4 改进后全卷积网络模型在液晶屏缺陷检测中的应用 | 第57-64页 |
| 4.4.1 数据预处理 | 第59-60页 |
| 4.4.2 全卷积模型设计 | 第60-62页 |
| 4.4.3 实验结果与分析 | 第62-64页 |
| 4.5 本章小结 | 第64-66页 |
| 结语 | 第66-68页 |
| 总结 | 第66页 |
| 展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间主要研究成果 | 第73-74页 |
| 致谢 | 第74页 |