基于深度学习的图像识别算法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 图索引 | 第10-11页 |
| 表索引 | 第11-12页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究的目的及意义 | 第12页 |
| 1.2 图像识别概述 | 第12-15页 |
| 1.2.1 图像的特征提取 | 第13-14页 |
| 1.2.2 图像识别的方法 | 第14-15页 |
| 1.3 深度学习的发展和研究现状 | 第15-18页 |
| 1.3.1 深度学习的发展 | 第15-17页 |
| 1.3.2 深度学习的研究现状 | 第17-18页 |
| 1.4 特征学习 | 第18-19页 |
| 1.5 主要研究工作及章节安排 | 第19-22页 |
| 1.5.1 主要研究工作 | 第19页 |
| 1.5.2 论文章节安排 | 第19-22页 |
| 第2章 深度学习 | 第22-36页 |
| 2.1 什么是深度学习 | 第22-24页 |
| 2.1.1 深度学习的概念 | 第22-23页 |
| 2.1.2 浅层学习和深度学习 | 第23-24页 |
| 2.2 深度学习的结构 | 第24-25页 |
| 2.3 深度学习常用方法 | 第25-28页 |
| 2.3.1 深度信念网络 | 第25-26页 |
| 2.3.2 卷积神经网络 | 第26页 |
| 2.3.3 卷积深度信念网络 | 第26-27页 |
| 2.3.4 深度玻尔兹曼机 | 第27页 |
| 2.3.5 栈式自动编码器 | 第27-28页 |
| 2.4 RBM | 第28-32页 |
| 2.4.1 RBM 的结构 | 第28-30页 |
| 2.4.2 RBM 的训练 | 第30-32页 |
| 2.5 CRBM | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第3章 深度学习结合 SVM 的图像识别方法 | 第36-54页 |
| 3.1 支持向量机 | 第36-40页 |
| 3.2 数据预处理 | 第40-43页 |
| 3.2.1 数据归一化 | 第40-41页 |
| 3.2.2 白化 | 第41-42页 |
| 3.2.3 数据模块化 | 第42-43页 |
| 3.3 深度学习结合支持向量机的分类方法 | 第43-46页 |
| 3.3.1 数据初始化 | 第43页 |
| 3.3.2 模型描述 | 第43-44页 |
| 3.3.3 训练和分类过程 | 第44-46页 |
| 3.3.4 MINIST 数据集简介 | 第46页 |
| 3.4 实验结果和分析 | 第46-52页 |
| 3.4.1 样本数、节点数、层数的影响 | 第47-49页 |
| 3.4.2 SVM 参数的影响 | 第49-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第4章 改进的 CDBN 用于图像识别 | 第54-62页 |
| 4.1 无监督预训练 | 第54页 |
| 4.2 交替进行无监督和有监督学习的基本思想 | 第54-55页 |
| 4.3 卷积和池化 | 第55-56页 |
| 4.4 Softmax 分类器 | 第56-57页 |
| 4.5 基于改进的深度网络的图像识别 | 第57-59页 |
| 4.5.1 模型描述 | 第57-58页 |
| 4.5.2 Cifar-10 数据集简介 | 第58-59页 |
| 4.6 实验结果和分析 | 第59-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62页 |
| 5.2 工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间发表学术论文 | 第70页 |
