| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题研究的背景 | 第13-15页 |
| 1.2 深度学习在图像领域的发展 | 第15-16页 |
| 1.3 深度学习的显著特点 | 第16-19页 |
| 1.3.1 特征学习 | 第16-17页 |
| 1.3.2 深层结构的优势 | 第17-18页 |
| 1.3.3 提取全局特征和上下文信息的能力 | 第18-19页 |
| 1.4 本文研究内容及主要工作 | 第19-21页 |
| 第二章 深度学习的理论基础综述 | 第21-39页 |
| 2.1 概述 | 第21-22页 |
| 2.2 深度学习在物体识别中的应用 | 第22-25页 |
| 2.2.1 图像识别 | 第22-23页 |
| 2.2.2 人脸识别 | 第23-25页 |
| 2.3 人脑视觉机理 | 第25-26页 |
| 2.4 关于特征 | 第26-28页 |
| 2.4.2 浅层特征表示 | 第27页 |
| 2.4.3 结构性特征表示 | 第27-28页 |
| 2.4.4 特征的数量 | 第28页 |
| 2.5 监督学习 | 第28-29页 |
| 2.6 反向传播网络 | 第29-31页 |
| 2.7 卷积神经网络 | 第31-39页 |
| 2.7.1 神经网络 | 第33-34页 |
| 2.7.2 局部感知 | 第34-35页 |
| 2.7.3 参数共享 | 第35-36页 |
| 2.7.4 多卷积核 | 第36-37页 |
| 2.7.5 池化 | 第37-39页 |
| 第三章 深度学习网络在CAFFE框架中的实现 | 第39-49页 |
| 3.1 深度学习框架CAFFE的概述 | 第39页 |
| 3.2 深度学习框架CAFFE的模块介绍 | 第39-46页 |
| 3.2.1 Caffe的网络定义 | 第39-40页 |
| 3.2.2 Blob模块 | 第40页 |
| 3.2.3 Layer模块 | 第40-41页 |
| 3.2.4 Net模块 | 第41-44页 |
| 3.2.5 Caffe采用的数据引擎 | 第44页 |
| 3.2.6 Google Protocol Buffer的使用及其原理 | 第44-46页 |
| 3.3 在Caffe中的代码更改 | 第46-49页 |
| 第四章 带反馈的基于深度学习的图像表达的优化 | 第49-61页 |
| 4.1 概述 | 第49页 |
| 4.2 典型网络介绍 | 第49-52页 |
| 4.3 基于反馈的图像表达的优化方法 | 第52-56页 |
| 4.3.1 基于反馈信息的深度学习框架 | 第52-55页 |
| 4.3.2 三元组损失函数 | 第55-56页 |
| 4.3.3 三元组选择 | 第56页 |
| 4.4 实验数据分析 | 第56-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69-70页 |