| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第13-18页 |
| 1.1 选题背景与意义 | 第13-14页 |
| 1.2 国内外发展状况 | 第14-16页 |
| 1.3 本文的主要研究内容与章节安排 | 第16-18页 |
| 2 基础理论和相关技术 | 第18-31页 |
| 2.1 物体识别的流程 | 第18-19页 |
| 2.2 卷积神经网络概述 | 第19-24页 |
| 2.2.1 神经网络 | 第19-20页 |
| 2.2.2 CNN基本原理 | 第20-22页 |
| 2.2.3 CNN基本结构 | 第22-24页 |
| 2.3 卷积神经网络相关算法 | 第24-27页 |
| 2.3.1 BP(反向传播)算法 | 第24-25页 |
| 2.3.2 MLP(多层感知机)学习算法 | 第25-26页 |
| 2.3.3 Softmax分类器 | 第26-27页 |
| 2.4 激活函数 | 第27-30页 |
| 2.4.1 Relu激活函数 | 第27-28页 |
| 2.4.2 Leaky Relu激活函数 | 第28页 |
| 2.4.3 Leaky Relu激活函数与Relu激活函数比较 | 第28-29页 |
| 2.4.4 实验结果与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于SGD的学习率自适应更新算法 | 第31-44页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 SGD算法 | 第32-36页 |
| 3.2.1 SGD算法原理 | 第32-33页 |
| 3.2.2 基于SGD的学习率自适应更新算法 | 第33-36页 |
| 3.3 实验结果与分析 | 第36-43页 |
| 3.3.1 实验数据集介绍 | 第37-40页 |
| 3.3.2 实验数据集网络结构参数 | 第40-41页 |
| 3.3.3 实验结果分析 | 第41-43页 |
| 3.3.4 参数讨论 | 第43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于卷积神经网络的一般物体识别研究 | 第44-57页 |
| 4.1 CIFAR-10 数据集介绍 | 第44-45页 |
| 4.2 算法设计 | 第45-51页 |
| 4.2.1 CNN结构设计 | 第45-49页 |
| 4.2.2 数据集增强技术 | 第49-50页 |
| 4.2.3 算法实现过程 | 第50-51页 |
| 4.3 实验及结果对比 | 第51-56页 |
| 4.3.1 实验平台与数据 | 第51页 |
| 4.3.2 实验结果与分析 | 第51-53页 |
| 4.3.3 实验结果对比 | 第53-55页 |
| 4.3.4 CIFAR-100 数据集实验结果 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 微信物体与数字识别器 | 第57-69页 |
| 5.1 物体识别器需求分析及总体设计 | 第57-59页 |
| 5.1.1 物体识别器模型 | 第58页 |
| 5.1.2 物体识别器服务端流程设计 | 第58-59页 |
| 5.2 数字识别器需求分析及总体设计 | 第59-61页 |
| 5.2.1 Chars74K数据集 | 第60-61页 |
| 5.2.2 服务端流程设计 | 第61页 |
| 5.3 数字识别器模型训练 | 第61-63页 |
| 5.3.1 数字识别器模型设计 | 第61-63页 |
| 5.3.2 MSGD算法设置 | 第63页 |
| 5.3.3 数据集处理 | 第63页 |
| 5.4 实验及结果分析 | 第63-68页 |
| 5.4.1 物体识别器识别结果 | 第64-65页 |
| 5.4.2 数字识别器识别效果测试 | 第65-66页 |
| 5.4.3 微信数字识别器识别效果 | 第66-68页 |
| 5.5 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 个人简历、在校期间发表学术论文及研究成果 | 第75页 |