受生物启发的物体识别算法研究
| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 论文主要贡献 | 第15-16页 |
| 1.3 论文结构 | 第16-19页 |
| 第2章 生物启发的总结及相关模型分析 | 第19-39页 |
| 2.1 生物视觉系统简介 | 第19-24页 |
| 2.1.1 基本结构 | 第19-20页 |
| 2.1.2 视网膜 | 第20-23页 |
| 2.1.3 初级视觉皮层 | 第23-24页 |
| 2.2 对生物启发的分析与总结 | 第24-32页 |
| 2.2.1 感受野由简单到复杂的构建 | 第26-28页 |
| 2.2.2 稀疏编码 | 第28-29页 |
| 2.2.3 细胞可塑性与基因组等价 | 第29-30页 |
| 2.2.4 信息的反馈 | 第30-31页 |
| 2.2.5 生物启发的指导意义 | 第31-32页 |
| 2.3 受生物启发的物体识别算法 | 第32-38页 |
| 2.3.1 HMAX模型 | 第32-36页 |
| 2.3.2 卷积神经网络 | 第36-38页 |
| 2.4 本章总结 | 第38-39页 |
| 第3章 生物启发的多层在位学习网络 | 第39-65页 |
| 3.1 相关工作 | 第39-46页 |
| 3.1.1 叶成分分析的理论基础 | 第39-42页 |
| 3.1.2 叶成分分析 | 第42-46页 |
| 3.2 基于生物启发建构多层网络 | 第46-51页 |
| 3.2.1 模型架构 | 第47-48页 |
| 3.2.2 软性监督 | 第48-50页 |
| 3.2.3 整个网络的算法流程 | 第50-51页 |
| 3.2.4 地形图 | 第51页 |
| 3.2.5 稀疏编码 | 第51页 |
| 3.3 实验 | 第51-57页 |
| 3.3.1 一个简单的三类问题 | 第52-53页 |
| 3.3.2 MNIST数据集上的实验 | 第53-55页 |
| 3.3.3 多任务间共享的内部不变性 | 第55-57页 |
| 3.3.4 从自然图像中学习边缘特征 | 第57页 |
| 3.4 本章总结 | 第57-65页 |
| 第4章 基于多层在位学习网络对皮层内结构建模 | 第65-73页 |
| 4.1 背景 | 第65-67页 |
| 4.2 针对物体识别算法的功能层建模 | 第67-68页 |
| 4.2.1 模型架构 | 第67页 |
| 4.2.2 实验 | 第67-68页 |
| 4.3 自适应的侧向连接 | 第68-71页 |
| 4.3.1 模型架构 | 第68-69页 |
| 4.3.2 实验 | 第69-71页 |
| 4.4 本章总结 | 第71-73页 |
| 第5章 生物启发的多层网络底层特征学习 | 第73-89页 |
| 5.1 背景 | 第73-74页 |
| 5.2 模型架构 | 第74-76页 |
| 5.3 生物启发与其他特征选择方式的比较 | 第76-84页 |
| 5.3.1 人为选定特征：以Gabor为例 | 第76-77页 |
| 5.3.2 用Gabor初始化特征权重 | 第77-79页 |
| 5.3.3 特征的无监督学习 | 第79-84页 |
| 5.4 本章总结 | 第84-89页 |
| 第6章 总结与展望 | 第89-93页 |
| 参考文献 | 第93-109页 |
| 发表文章目录 | 第109-111页 |
| 致谢 | 第111-112页 |
