| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 增量学习国内外研究现状 | 第10-11页 |
| 1.3 图像分类国内外研究现状 | 第11-13页 |
| 1.4 本文的主要研究工作 | 第13-14页 |
| 1.5 本文的结构安排 | 第14-16页 |
| 2 相关理论和技术 | 第16-28页 |
| 2.1 深度学习介绍 | 第16-19页 |
| 2.1.1 卷积神经网络(CNN) | 第16-18页 |
| 2.1.2 自编码(Auto Encoder) | 第18页 |
| 2.1.3 深度置信网络(Deep Belif Network,DBN) | 第18-19页 |
| 2.2 图像分类 | 第19-22页 |
| 2.2.1 基于常规图像分类网络的微调方法 | 第19-20页 |
| 2.2.2 基于细粒度特征学习的方法 | 第20-21页 |
| 2.2.3 基于目标块的检测的方法 | 第21-22页 |
| 2.2.4 基于视觉注意机制的方法 | 第22页 |
| 2.3 增量学习方法 | 第22-27页 |
| 2.3.1 灾难性遗忘 | 第23页 |
| 2.3.2 机制的方法渐进式神经网络 | 第23-24页 |
| 2.3.3 无遗忘学习 | 第24-25页 |
| 2.3.4 弹性权重合并 | 第25-26页 |
| 2.3.5 基于生成对抗模型 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 增量学习方法的设计与实现 | 第28-40页 |
| 3.1 方法原理 | 第28-31页 |
| 3.1.1 微调原理 | 第28-30页 |
| 3.1.2 Dropout | 第30-31页 |
| 3.2 权重分解方法设计 | 第31-34页 |
| 3.2.1 权重分解的网络层设计 | 第31-33页 |
| 3.2.2 权重分解的优化器设计 | 第33-34页 |
| 3.3 实验及结果分析 | 第34-39页 |
| 3.3.1 数据集和模型 | 第34页 |
| 3.3.2 评估指标 | 第34-35页 |
| 3.3.3 训练结果分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 菜品分类的增量学习 | 第40-55页 |
| 4.1 残差网络 | 第40-42页 |
| 4.2 多尺度特征融合 | 第42-45页 |
| 4.3 端到端的网络模型 | 第45-47页 |
| 4.3.1 网络结构 | 第45-46页 |
| 4.3.2 损失函数 | 第46页 |
| 4.3.3 优化器 | 第46-47页 |
| 4.4 实验及结果分析 | 第47-54页 |
| 4.4.1 菜品数据集 | 第47-48页 |
| 4.4.2 模型评估指标 | 第48-49页 |
| 4.4.3 测试菜品分类模型 | 第49-52页 |
| 4.4.4 测试增量的菜品分类模型 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的研究成果 | 第62页 |