基于深度学习的图像分类及应用研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究目的与意义 | 第14页 |
| 1.4 主要研究内容 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第二章 深度学习的理论与实验环境 | 第16-31页 |
| 2.1 深度学习概述 | 第16-18页 |
| 2.2 卷积神经网络 | 第18-28页 |
| 2.2.1 概述 | 第18页 |
| 2.2.2 前向传播 | 第18-23页 |
| 2.2.3 反向传播 | 第23-24页 |
| 2.2.4 经典模型 | 第24-28页 |
| 2.3 实验软硬件环境 | 第28-30页 |
| 2.3.1 深度学习工具 | 第28页 |
| 2.3.2 Caffe框架概述 | 第28-29页 |
| 2.3.3 软硬件环境总结 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于卷积神经网络的典型图像检测与识别 | 第31-43页 |
| 3.1 概述 | 第31-32页 |
| 3.2 基于卷积神经网络的车辆检测与识别方法 | 第32-36页 |
| 3.2.1 车辆建议框生成网络VPN | 第33-35页 |
| 3.2.2 属性识别网络ARN | 第35-36页 |
| 3.3 实验结果及分析 | 第36-42页 |
| 3.3.1 实验数据集 | 第36-37页 |
| 3.3.2 实验环境及参数设置 | 第37-38页 |
| 3.3.3 VPN检测性能评估 | 第38-40页 |
| 3.3.4 ARN属性识别网络的性能评估 | 第40-41页 |
| 3.3.5 VDR方法实际场景测试 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于卷积神经网络的遥感影像场景分类 | 第43-54页 |
| 4.1 概述 | 第43-45页 |
| 4.2 利用双线性卷积神经网络的遥感场景分类方法 | 第45-48页 |
| 4.2.1 数据预处理 | 第45-46页 |
| 4.2.2 特征提取 | 第46页 |
| 4.2.3 双线性特征融合 | 第46-47页 |
| 4.2.4 Softmax分类器 | 第47-48页 |
| 4.3 实验结果及分析 | 第48-53页 |
| 4.3.1 实验数据 | 第48页 |
| 4.3.2 实验环境及参数设置 | 第48-50页 |
| 4.3.3 精度评价 | 第50页 |
| 4.3.4 不同方法对比分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-57页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 本文不足及后续工作展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 作者简介及攻读硕士期间发表的学术论文 | 第61-62页 |
| 致谢 | 第62-63页 |
