| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 传统机器学习方法下静态手势识别研究现状 | 第13-14页 |
| 1.2.2 基于深度学习的静态手势识别研究现状 | 第14-15页 |
| 1.3 本文的主要工作及组织结构 | 第15-17页 |
| 第二章 深度神经网络理论介绍 | 第17-29页 |
| 2.1 人工神经网络简介 | 第17-20页 |
| 2.1.1 前馈神经网络 | 第17-19页 |
| 2.1.2 Softmax与交叉熵 | 第19-20页 |
| 2.2 神经网络的训练过程 | 第20-21页 |
| 2.2.1 反向传播算法介绍 | 第20-21页 |
| 2.2.2 优化算法简介 | 第21页 |
| 2.3 卷积神经网络 | 第21-28页 |
| 2.3.1 离散卷积 | 第21-23页 |
| 2.3.2 卷积层 | 第23-24页 |
| 2.3.3 池化层 | 第24页 |
| 2.3.4 卷积神经网络模型举例 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于CNN的静态手势识别 | 第29-51页 |
| 3.1 手势数据集介绍 | 第29-33页 |
| 3.1.1 手势数据集介绍 | 第30-33页 |
| 3.2 CNN模型定义 | 第33-39页 |
| 3.2.1 CNN-Base模型定义 | 第35-36页 |
| 3.2.2 CNN-GP模型定义 | 第36-39页 |
| 3.3 卷积神经网络可视化 | 第39-43页 |
| 3.3.1 卷积神经网络可视化原理 | 第39-40页 |
| 3.3.2 模型可视化 | 第40-43页 |
| 3.4 模型性能表现 | 第43-50页 |
| 3.4.1 数据集测试结果 | 第44-50页 |
| 3.4.2 数据集测试小结 | 第50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于集成学习的静态手势识别 | 第51-56页 |
| 4.1 集成学习方法简介 | 第51-52页 |
| 4.1.1 直接平均集成 | 第51-52页 |
| 4.1.2 多数投票集成 | 第52页 |
| 4.1.3 堆叠泛化集成 | 第52页 |
| 4.2 集成学习过程 | 第52-53页 |
| 4.3 实验结果比较与分析 | 第53页 |
| 4.4 手势识别模拟验证实验 | 第53-55页 |
| 4.4.1 实验介绍 | 第53-54页 |
| 4.4.2 软件环境 | 第54页 |
| 4.4.3 实验现象说明 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 数据集采集管理系统 | 第56-61页 |
| 5.1 系统功能说明 | 第56-57页 |
| 5.1.1 前端功能 | 第56页 |
| 5.1.2 后端功能 | 第56-57页 |
| 5.2 系统实现说明 | 第57-59页 |
| 5.2.1 前端实现 | 第57页 |
| 5.2.2 后端实现 | 第57页 |
| 5.2.3 浏览视图 | 第57-59页 |
| 5.2.4 图片上传视图 | 第59页 |
| 5.3 开发与运行环境 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |