基于卷积神经网络的图像分类算法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 研究历史与现状 | 第11-12页 |
| 1.3 存在的问题 | 第12-13页 |
| 1.3.1 训练成本 | 第12页 |
| 1.3.2 迁移学习 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 卷积神经网络的结构及算法 | 第15-29页 |
| 2.1 人工神经网络 | 第15-20页 |
| 2.1.1 神经元 | 第15-16页 |
| 2.1.2 神经网络模型 | 第16-18页 |
| 2.1.3 反向传播算法 | 第18-20页 |
| 2.1.4 学习策略和训练方法 | 第20页 |
| 2.2 卷积神经网络 | 第20-27页 |
| 2.2.1 卷积神经网络的结构 | 第21-23页 |
| 2.2.2 稀疏连接与权值共享 | 第23页 |
| 2.2.3 激活函数 | 第23-26页 |
| 2.2.4 softmax回归 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 卷积神经网络的正则化方法研究 | 第29-43页 |
| 3.1 过拟合问题与解决办法 | 第29-30页 |
| 3.2 正则化方法研究 | 第30-33页 |
| 3.2.1 参数范数惩罚项 | 第30-31页 |
| 3.2.2 Dropout算法 | 第31-32页 |
| 3.2.3 DropConnect算法 | 第32-33页 |
| 3.3 改进的正则化算法 | 第33-34页 |
| 3.4 实验与分析 | 第34-40页 |
| 3.4.1 MNIST数据集实验 | 第35-39页 |
| 3.4.2 CIFAR-10数据集实验 | 第39-40页 |
| 3.5 本章小结 | 第40-43页 |
| 第4章 基于AdaBoost的卷积神经网络研究 | 第43-53页 |
| 4.1 集成学习到AdaBoost算法 | 第43-47页 |
| 4.1.1 集成学习 | 第43-44页 |
| 4.1.2 Boosting算法 | 第44-45页 |
| 4.1.3 AdaBoost算法 | 第45-47页 |
| 4.2 基于AdaBoost的卷积神经网络 | 第47-50页 |
| 4.3 实验与分析 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 卷积神经网络的激活函数研究 | 第53-61页 |
| 5.1 激活函数作用分析 | 第53页 |
| 5.2 Maxout激活函数 | 第53-54页 |
| 5.3 多层Maxout激活函数 | 第54-56页 |
| 5.4 实验与分析 | 第56-59页 |
| 5.5 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 致谢 | 第69页 |
