| 摘要 | 第2-3页 |
| abstract | 第3-4页 |
| 一、引言 | 第7-14页 |
| (一) 图像分类算法背景及意义 | 第7-8页 |
| (二) 卷积神经网络的背景与发展 | 第8-11页 |
| (三) 卷积神经网络存在的不足 | 第11-12页 |
| (四) 本论文的结构安排 | 第12-14页 |
| 二、卷积神经网络相关理论 | 第14-31页 |
| (一) 卷积神经网络介绍 | 第14-22页 |
| 1、卷积神经网络组成部分 | 第15页 |
| 2、卷积层 | 第15-21页 |
| 3、汇聚层 | 第21页 |
| 4、全连接层 | 第21-22页 |
| (二) 卷积神经网络拓扑结构案例研究 | 第22-31页 |
| 1、AlexNet | 第22-23页 |
| 2、Inception | 第23-26页 |
| 3、ResidualNetwork | 第26-28页 |
| 4、DenselyConnectedConvolutionNetwork | 第28-30页 |
| 5、Squeeze-and-ExcitationNetwork | 第30-31页 |
| 三、无投影模块的残差网络 | 第31-42页 |
| (一) 残差网络中的层间直接连接 | 第31-32页 |
| (二) 残差网络中下采样部分的问题及解决方法 | 第32-36页 |
| 1、原理及解决方案讨论 | 第32-34页 |
| 2、具体实现及实验结果 | 第34-36页 |
| 3、对投影模块与等同模块的分析 | 第36页 |
| 4、对等同模块和无投影模块的分析 | 第36页 |
| (三) 更多的网络结构改动以及激活函数的替换 | 第36-42页 |
| 1、对网络拓扑结构及激活函数的讨论 | 第36-39页 |
| 2、具体实现及实验结果 | 第39页 |
| 3、对基准模型及其改进的分析 | 第39页 |
| 4、对等同残差网络及其改进的分析 | 第39-40页 |
| 5、对无投影残差网络及其改进的分析 | 第40-42页 |
| 四、密集连接网络与残差网络的不同 | 第42-50页 |
| (一) 密集连接网络与非对称卷积 | 第42-43页 |
| (二) 非对称卷积与密集连接网络的融合 | 第43-44页 |
| (三) 具体实现及实验结果 | 第44-50页 |
| 1、对DenseNet-1D与DenseNet的分析 | 第46页 |
| 2、对DenseNet-1DC与DenseNet-1D的分析 | 第46-47页 |
| 3、对DenseNet-1DC的分析 | 第47-49页 |
| 4、总结 | 第49-50页 |
| 五、总结与展望 | 第50-52页 |
| (一) 总结 | 第50页 |
| (二) 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 在读期间发表论文 | 第56-57页 |
| 致谢 | 第57-58页 |
