| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 深度学习及其应用 | 第11-13页 |
| 1.3 论文的研究内容 | 第13-14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第2章 深度神经网络研究进展 | 第16-30页 |
| 2.1 深度卷积神经网络的基本组成 | 第16-21页 |
| 2.1.1 卷积层 | 第17-18页 |
| 2.1.2 池化层 | 第18页 |
| 2.1.3 全连接层 | 第18页 |
| 2.1.4 激活函数 | 第18-19页 |
| 2.1.5 局部感受野 | 第19-20页 |
| 2.1.6 权值共享 | 第20-21页 |
| 2.2 几种典型的深度卷积神经网络架构 | 第21-26页 |
| 2.2.1 LeNet | 第21页 |
| 2.2.2 AlexNet | 第21-22页 |
| 2.2.3 GoogLeNet | 第22-24页 |
| 2.2.4 VGGNet | 第24-25页 |
| 2.2.5 ResNet | 第25-26页 |
| 2.3 小样本情况下的深度学习 | 第26-28页 |
| 2.3.1 样本扩充 | 第26-27页 |
| 2.3.2 轻型网络结构设计 | 第27-28页 |
| 2.3.3 训练策略 | 第28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于二次微调和截断GoogLeNet的极端天气识别 | 第30-42页 |
| 3.1 引言 | 第30-31页 |
| 3.2 基于二次微调和截断GoogLeNet的极端天气识别框架 | 第31-32页 |
| 3.3 预处理 | 第32-33页 |
| 3.4 二次微调 | 第33-35页 |
| 3.5 实验结果及分析 | 第35-40页 |
| 3.5.1 WeatherDataset极端天气数据集 | 第36-38页 |
| 3.5.2 数据扩充对识别准确率的影响 | 第38页 |
| 3.5.3 二次微调对识别准确率的影响 | 第38-39页 |
| 3.5.4 截断的GoogLeNet和GoogLeNet的比较 | 第39-40页 |
| 3.5.5 迭代次数对识别准确率的影响 | 第40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 基于轻型卷积神经网络的肺结节恶性病变识别 | 第42-52页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于轻型卷积神经网络的肺结节恶性病变识别框架 | 第43页 |
| 4.3 数据扩充 | 第43-44页 |
| 4.4 轻型卷积神经网络结构 | 第44-46页 |
| 4.5 实验结果及分析 | 第46-51页 |
| 4.5.1 数据扩充对识别准确率的影响 | 第48-49页 |
| 4.5.2 全连接层参数对识别准确率的影响 | 第49-50页 |
| 4.5.3 池化方式对识别准确率的影响 | 第50页 |
| 4.5.4 不同CNN网络性能对比 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 基于CNN和多模型融合的多降质因素图像复原 | 第52-76页 |
| 5.1 引言 | 第52-54页 |
| 5.2 基于CNN和多模型融合的多降质因素图像复原框架 | 第54-55页 |
| 5.3 低质-残差样本对生成 | 第55-56页 |
| 5.4 卷积神经网络结构设计 | 第56-57页 |
| 5.5 纹理复杂度度量 | 第57-60页 |
| 5.6 多模型复原结果融合 | 第60-61页 |
| 5.7 实验结果及分析 | 第61-73页 |
| 5.8 本章小结 | 第73-76页 |
| 结论与展望 | 第76-78页 |
| 1 论文的主要工作 | 第76-77页 |
| 2 下一步工作展望 | 第77-78页 |
| 参考文献 | 第78-86页 |
| 攻读硕士学位期间所取得的学术成果 | 第86-88页 |
| 攻读硕士学位期间参加的科研项目与获奖情况 | 第88-90页 |
| 致谢 | 第90页 |
