基于深度学习的目标场景识别
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及现存的挑战 | 第11-14页 |
| 1.2.1 研究背景 | 第11-13页 |
| 1.2.2 现存的挑战 | 第13-14页 |
| 1.3 本文的研究内容及贡献 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 主要贡献 | 第14-15页 |
| 1.3.3 论文结构 | 第15-16页 |
| 第二章 基于卷积神经网络的图像分类问题 | 第16-32页 |
| 2.1 分类问题描述 | 第16-17页 |
| 2.2 人工神经网络 | 第17-18页 |
| 2.2.1 霍普菲尔德模型 | 第17-18页 |
| 2.2.2 卷积神经网络 | 第18页 |
| 2.3 卷积神经网络的基本单元 | 第18-25页 |
| 2.3.1 卷积层 | 第18-19页 |
| 2.3.2 激活函数层 | 第19-21页 |
| 2.3.3 池化层 | 第21-22页 |
| 2.3.4 标准化层 | 第22-23页 |
| 2.3.5 全连接层 | 第23-24页 |
| 2.3.6 目标函数 | 第24-25页 |
| 2.4 卷积神经网络的训练 | 第25-30页 |
| 2.4.1 常用数据集 | 第25-28页 |
| 2.4.2 参数初始化 | 第28-29页 |
| 2.4.3 学习率策略及梯度下降方法 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 场景数据集上神经网络的训练 | 第32-52页 |
| 3.1 卷积神经网络结构 | 第32-36页 |
| 3.1.1 GoogLeNet结构 | 第33-34页 |
| 3.1.2 残差网络结构 | 第34-36页 |
| 3.2 数据预处理 | 第36-40页 |
| 3.2.1 数据增强 | 第36-38页 |
| 3.2.2 多尺度验证 | 第38-40页 |
| 3.3 网络的构建 | 第40-48页 |
| 3.3.1 归一化方法 | 第41页 |
| 3.3.2 Places-GoogLeNet网络 | 第41-46页 |
| 3.3.3 Places-ResNet-48网络 | 第46-48页 |
| 3.4 实验分析 | 第48-50页 |
| 3.4.1 实验环境 | 第48页 |
| 3.4.2 实验过程 | 第48-49页 |
| 3.4.3 实验结果分析 | 第49-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 卷积神经网络的使用优化 | 第52-58页 |
| 4.1 神经网络性能量化 | 第52页 |
| 4.2 针对特征尺寸的优化 | 第52-54页 |
| 4.2.1 网络结构 | 第53-54页 |
| 4.2.2 训练结果 | 第54页 |
| 4.3 训练过程的优化 | 第54-57页 |
| 4.3.1 GPU的数据交换 | 第55-56页 |
| 4.3.2 并行梯度下降 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58页 |
| 5.2 未来展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者攻读学位期间发表的学术论文目录 | 第66页 |
