深度学习图像识别模型的优化及应用
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 深度学习图像识别模型优化研究背景及意义 | 第7-8页 |
| 1.2 本课题国内外研究现状 | 第8-10页 |
| 1.3 本文主要研究内容 | 第10-12页 |
| 2 脉冲神经元动力学特性分析 | 第12-18页 |
| 2.1 HH神经元 | 第13-14页 |
| 2.2 FHN神经元 | 第14-15页 |
| 2.3 IZH神经元 | 第15-16页 |
| 2.4 本章小结 | 第16-18页 |
| 3 深度学习算法优化 | 第18-29页 |
| 3.1 基本算法 | 第18-23页 |
| 3.1.1 随机梯度下降 | 第18-20页 |
| 3.1.2 动量 | 第20-21页 |
| 3.1.3 反向传播优化 | 第21-23页 |
| 3.2 优化技巧 | 第23-27页 |
| 3.2.1 批量归一化 | 第23-24页 |
| 3.2.2 Polyak平均 | 第24页 |
| 3.2.3 坐标下降 | 第24-25页 |
| 3.2.4 正则化 | 第25-27页 |
| 3.3 本章小结 | 第27-29页 |
| 4 基于深度信念网络的手写数字识别优化 | 第29-42页 |
| 4.1 受限玻尔兹曼机 | 第29-30页 |
| 4.2 对比散度算法 | 第30-31页 |
| 4.3 两种神经元 | 第31-34页 |
| 4.3.1 Siegert神经元 | 第31-32页 |
| 4.3.2 LIF神经元 | 第32-34页 |
| 4.4 内部可塑性 | 第34页 |
| 4.5 手写数字识别实验 | 第34-40页 |
| 4.5.1 实验设计 | 第35页 |
| 4.5.2 识别模式结果及分析 | 第35-39页 |
| 4.5.3 生成模式结果及分析 | 第39-40页 |
| 4.6 本章小结 | 第40-42页 |
| 5 基于卷积神经网络的实时人脸识别及应用 | 第42-54页 |
| 5.1 卷积神经网络的神经科学基础 | 第42-43页 |
| 5.2 卷积运算 | 第43-45页 |
| 5.3 池化 | 第45-46页 |
| 5.4 训练 | 第46页 |
| 5.5 实时人脸识别应用 | 第46-52页 |
| 5.5.1 Dlib人脸预处理 | 第46-48页 |
| 5.5.2 Caffe网络模型训练 | 第48-50页 |
| 5.5.3 应用移植树莓派 | 第50-52页 |
| 5.6 本章小结 | 第52-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |
| A. 作者在攻读硕士学位期间发表的论文与专利 | 第61页 |
| B. 作者在攻读硕士学位期间参与的项目 | 第61页 |
