| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-15页 |
| 1.2.1 手机图片组织管理方式 | 第11-12页 |
| 1.2.2 主流的Android图片管理应用 | 第12-14页 |
| 1.2.3 轻量级神经网络概述 | 第14-15页 |
| 1.3 论文主要工作 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 相关理论与技术 | 第17-24页 |
| 2.1 ShuffleNet思想来源 | 第17-20页 |
| 2.1.1 ResNet网络结构 | 第17-18页 |
| 2.1.2 Xception网络结构 | 第18-20页 |
| 2.2 ShuffleNet卷积神经网络算法 | 第20-22页 |
| 2.2.1 逐点分组卷积和通道混合操作 | 第20-21页 |
| 2.2.2 ShuffleNet单元 | 第21-22页 |
| 2.3 TensorFlow框架概述 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于ShuffleNet网络的图片自动分类系统的设计 | 第24-39页 |
| 3.1 整体研究框架设计 | 第24-25页 |
| 3.2 图片自动分类数据收集及预处理 | 第25-27页 |
| 3.2.1 数据集来源 | 第25-26页 |
| 3.2.2 数据集预处理 | 第26-27页 |
| 3.3 基于日期-位置-内容的图片组织管理 | 第27-31页 |
| 3.3.1 按照日期-位置归类图片 | 第27-30页 |
| 3.3.2 按照内容自动分类图片 | 第30-31页 |
| 3.4 基于TensorFlow框架构建ShuffleNet | 第31-37页 |
| 3.4.1 ShuffleNet网络定义 | 第31-34页 |
| 3.4.2 ShuffleNet网络预训练 | 第34-35页 |
| 3.4.3 迁移学习 | 第35-36页 |
| 3.4.4 移植ShuffleNet模型到Android系统 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 4 系统实现及结果分析 | 第39-53页 |
| 4.1 实验环境 | 第39-40页 |
| 4.2 实验数据及预处理 | 第40-42页 |
| 4.2.1 数据收集 | 第40-41页 |
| 4.2.2 数据集预处理 | 第41-42页 |
| 4.3 ShuffleNet网络构建及预训练结果分析 | 第42-44页 |
| 4.3.1 ShuffleNet网络预训练结果分析 | 第43页 |
| 4.3.2 基于迁移学习的ShuffleNet网络训练与验证的结果分析 | 第43-44页 |
| 4.4 基于日期-位置-内容的图片组织管理的实现 | 第44-48页 |
| 4.5 图片自动分类系统测试分析 | 第48-50页 |
| 4.5.1 图片自动分类系统兼容性测试分析 | 第48-50页 |
| 4.5.2 图片自动分类系统性能测试分析 | 第50页 |
| 4.6 本章小结 | 第50-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
