| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 图片分类研究现状 | 第11-13页 |
| 1.2.2 不良图片识别研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 深度学习和SVDD算法 | 第16-28页 |
| 2.1 深度学习 | 第16-24页 |
| 2.1.1 深度学习起源 | 第17-18页 |
| 2.1.2 卷积神经网络 | 第18-21页 |
| 2.1.3 前向传播 | 第21-22页 |
| 2.1.4 反向传播 | 第22-24页 |
| 2.2 数据向量描述算法 | 第24-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 使用SVDD预判决的深度网络模型 | 第28-38页 |
| 3.1 传统模型的不足 | 第28页 |
| 3.2 模型介绍 | 第28-31页 |
| 3.3 实验结果和分析 | 第31-35页 |
| 3.4 本章小结 | 第35-38页 |
| 第四章 基于inception结构的深度网络模型 | 第38-52页 |
| 4.1 传统模型的不足 | 第38页 |
| 4.2 模型介绍 | 第38-48页 |
| 4.2.1 仅使用1×1和3×3卷积核的双层inception结构的网络 | 第41-43页 |
| 4.2.2 单层inception结构的网络 | 第43-45页 |
| 4.2.3 双层inception结构的网络 | 第45-48页 |
| 4.3 实验结果和分析 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 加入数据增强层的深度网络模型 | 第52-60页 |
| 5.1 传统模型不足 | 第52页 |
| 5.2 模型介绍 | 第52-55页 |
| 5.3 实验结果和分析 | 第55-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的论文目录 | 第66页 |