基于视觉生理机制的深度学习网络改进研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究动态 | 第12-16页 |
| 1.2.1 图像数据库的发展 | 第12-13页 |
| 1.2.2 深度学习在图像分类领域的运用 | 第13-14页 |
| 1.2.3 深度学习在人脸识别领域的运用 | 第14页 |
| 1.2.4 深度学习在其他领域的运用 | 第14-15页 |
| 1.2.5 深度学习软硬件技术的发展 | 第15-16页 |
| 1.3 研究内容和结构安排 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 结构安排 | 第17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 视觉生理机制和深度学习模型 | 第18-35页 |
| 2.1 引言 | 第18页 |
| 2.2 视觉系统相关机制 | 第18-19页 |
| 2.2.1 视觉通路 | 第18-19页 |
| 2.2.2 感受野机制 | 第19页 |
| 2.2.3 视皮层 | 第19页 |
| 2.3 深度学习和卷积神经网络 | 第19-33页 |
| 2.3.1 常见深度学习框架 | 第20-23页 |
| 2.3.1.1 Caffe | 第20-21页 |
| 2.3.1.2 TensorFlow | 第21-22页 |
| 2.3.1.3 Theano | 第22-23页 |
| 2.3.1.4 Torch | 第23页 |
| 2.3.2 常见深度学习模型 | 第23-26页 |
| 2.3.2.1 DBN | 第23-24页 |
| 2.3.2.2 RNN | 第24-26页 |
| 2.3.3 卷积神经网络 | 第26-33页 |
| 2.3.3.1 卷积层 | 第27-31页 |
| 2.3.3.2 激活函数 | 第31-32页 |
| 2.3.3.3 池化层 | 第32-33页 |
| 2.3.3.4 全连接层 | 第33页 |
| 2.4 深度学习与视觉系统的联系 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 卷积神经网络的改进 | 第35-47页 |
| 3.1 引言 | 第35页 |
| 3.2 卷积神经网络权值 | 第35-36页 |
| 3.3 Gabor滤波器和卷积核修改 | 第36-37页 |
| 3.4 卷积神经网络的改进实验 | 第37-46页 |
| 3.4.1 实验平台配置 | 第37-38页 |
| 3.4.2 在MNIST手写数据库上进行测试 | 第38-42页 |
| 3.4.2.1 数据预处理 | 第38-39页 |
| 3.4.2.2 实验设计 | 第39-40页 |
| 3.4.2.3 实验结果和数据分析 | 第40-42页 |
| 3.4.3 在CIFAR10数据库上进行测试 | 第42-46页 |
| 3.4.3.1 数据预处理 | 第43-44页 |
| 3.4.3.2 实验设计 | 第44-45页 |
| 3.4.3.3 实验结果和数据分析 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 卷积神经网络在颜色恒常性中的运用 | 第47-60页 |
| 4.1 引言 | 第47-49页 |
| 4.1.1 基于统计的方法 | 第47-48页 |
| 4.1.2 基于学习的方法 | 第48-49页 |
| 4.2 相关工作 | 第49-51页 |
| 4.3 实验原理 | 第51-52页 |
| 4.4 实验设计 | 第52-55页 |
| 4.4.1 实验目的 | 第52页 |
| 4.4.2 实验流程 | 第52-55页 |
| 4.4.2.1 训练数据预处理 | 第52-53页 |
| 4.4.2.2 卷积神经网络设计 | 第53-55页 |
| 4.4.2.3 训练参数 | 第55页 |
| 4.5 实验结果分析 | 第55-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 本论文研究总结 | 第60页 |
| 5.2 前景展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
