基于卷积神经网络的图像分类应用研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 常用图像分类方法研究现状 | 第10-13页 |
| 1.2.1 基于支持向量机的图像分类研究现状 | 第11页 |
| 1.2.2 BP神经网络用于图像分类的研究现状 | 第11-12页 |
| 1.2.3 卷积神经网络用于图像分类的研究现状 | 第12-13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 卷积神经网络理论基础 | 第15-28页 |
| 2.1 人工神经网络 | 第15-17页 |
| 2.2 BP神经网络 | 第17-18页 |
| 2.3 卷积神经网络的结构及原理 | 第18-24页 |
| 2.3.1 局部感知 | 第19-20页 |
| 2.3.2 权值共享 | 第20-21页 |
| 2.3.3 卷积 | 第21页 |
| 2.3.4 激活函数 | 第21-23页 |
| 2.3.5 池化层 | 第23-24页 |
| 2.4 卷积神经网络的学习算法 | 第24-27页 |
| 2.4.1 卷积神经网络的训练 | 第24-25页 |
| 2.4.2 卷积神经网络的权值更新 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 卷积神经网络在图像分类中的应用 | 第28-36页 |
| 3.1 CIFAR-10数据集介绍 | 第28-29页 |
| 3.2 神经网络结构 | 第29-31页 |
| 3.3 实验与分析 | 第31-32页 |
| 3.4 卷积神经网络的改进与分析 | 第32-35页 |
| 3.4.1 卷积网络结构的改进 | 第32页 |
| 3.4.2 卷积网络核个数和核大小 | 第32-34页 |
| 3.4.3 激活函数选择 | 第34页 |
| 3.4.4 池化方法和大小选择 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 CNN结合SVM的图像分类方法 | 第36-42页 |
| 4.1 支持向量机 | 第36-38页 |
| 4.1.1 支持向量机介绍 | 第36页 |
| 4.1.2 支持向量机模型 | 第36-38页 |
| 4.2 CNN结合SVM的混合模型 | 第38-40页 |
| 4.2.1 混合模型的结构描述 | 第38-39页 |
| 4.2.2 混合模型的优点 | 第39-40页 |
| 4.3 基于混合模型的图像分类应用 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 总结与展望 | 第42-43页 |
| 5.1 本文研究的主要内容 | 第42页 |
| 5.2 本文的不足与展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第47-48页 |
| 致谢 | 第48-49页 |
