深度学习在图像语义分类中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 引言 | 第10-11页 |
| 1.2 深度学习 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-14页 |
| 第二章 人类视觉与图像特征 | 第14-30页 |
| 2.1 人类视觉模型 | 第14-21页 |
| 2.1.1 视觉皮层简介 | 第14-16页 |
| 2.1.2 枕叶皮质区域中的一般场景表示 | 第16-20页 |
| 2.1.3 小结 | 第20-21页 |
| 2.2 图像特征 | 第21-27页 |
| 2.2.1 基于底层描述的图像特征 | 第22页 |
| 2.2.2 基于中层语义的图像特征 | 第22-23页 |
| 2.2.3 基于生物视觉的图像特征 | 第23-26页 |
| 2.2.4 基于稀疏编码的图像特征 | 第26-27页 |
| 2.3 构造图像语义特征 | 第27-30页 |
| 第三章 常见的深度学习方法 | 第30-43页 |
| 3.1 分布式表示 | 第30-32页 |
| 3.2 常见深度学习模型 | 第32-43页 |
| 3.2.1 栈式自动编码器(SAE) | 第32-35页 |
| 3.2.2 卷积神经网络(CNN) | 第35-36页 |
| 3.2.3 受限玻尔兹曼机(RBM) | 第36-38页 |
| 3.2.4 卷积受限玻尔兹曼机(CRBM) | 第38-39页 |
| 3.2.5 深度置信网络(DBN) | 第39-40页 |
| 3.2.6 深度玻尔兹曼机(DBM) | 第40-43页 |
| 第四章 基于深度学习的图像语义分类 | 第43-51页 |
| 4.1 图像语义分类的问题定义 | 第43页 |
| 4.2 利用深度学习进行图像语义分类 | 第43-49页 |
| 4.2.1 基于栈式去噪自动编码器的语义分类模型 | 第44-46页 |
| 4.2.2 基于卷积深度玻尔兹曼机的语义分类模型 | 第46-49页 |
| 4.3 深度学习模型优化 | 第49-51页 |
| 第五章 实验与总结 | 第51-63页 |
| 5.1 实验结果与分析 | 第51-60页 |
| 5.1.1 CIFAR-10数据集 | 第51页 |
| 5.1.2 STL-10数据集 | 第51-52页 |
| 5.1.3 实验结果 | 第52-60页 |
| 5.2 结论与展望 | 第60-63页 |
| 5.2.1 本文的基础性工作 | 第61页 |
| 5.2.2 本文的开创性工作 | 第61-62页 |
| 5.2.3 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69页 |
