基于神经网络的图像分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的背景与研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 研究的主要内容 | 第12-13页 |
| 1.4 论文的章节安排 | 第13-15页 |
| 第2章 神经网络的理论基础 | 第15-29页 |
| 2.1 机器学习理论概述 | 第15-17页 |
| 2.1.1 模型评估 | 第15-16页 |
| 2.1.2 评估准则 | 第16-17页 |
| 2.2 人工神经网络的基本思想 | 第17-20页 |
| 2.2.1 单层神经元结构 | 第17-20页 |
| 2.2.2 多层神经元结构 | 第20页 |
| 2.3 反向传输神经网络算法 | 第20-23页 |
| 2.4 卷积神经网络算法 | 第23-27页 |
| 2.4.1 卷积神经网络基本结构 | 第23-25页 |
| 2.4.2 卷积神经网络基本运算 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 卷积神经网络关键技术 | 第29-43页 |
| 3.1 数据扩充 | 第29-33页 |
| 3.1.1 线性滤波 | 第29-31页 |
| 3.1.2 非线性滤波 | 第31-33页 |
| 3.2 数据清洗 | 第33-36页 |
| 3.2.1 采样 | 第34页 |
| 3.2.2 采样算法改进 | 第34-36页 |
| 3.3 深度学习框架介绍 | 第36-38页 |
| 3.3.1 caffe基本介绍 | 第37-38页 |
| 3.3.2 caffe架构 | 第38页 |
| 3.4 caffe中Alexnet网络 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 Mynet卷积神经网络设计 | 第43-53页 |
| 4.1 Mynet神经网络的设计思路 | 第43-51页 |
| 4.1.1 conv1卷积层设计 | 第44-45页 |
| 4.1.2 conv2卷积层设计 | 第45-49页 |
| 4.1.3 conv3卷积层设计 | 第49-50页 |
| 4.1.4 conv4卷积层设计 | 第50-51页 |
| 4.2 训练方法及超参数设置 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 卷积神经网络算法评价 | 第53-63页 |
| 5.1 数据集介绍 | 第53-54页 |
| 5.2 数据可视化 | 第54-57页 |
| 5.3 网络精度性能评估 | 第57-59页 |
| 5.4 网络时间性能评估 | 第59-60页 |
| 5.5 网络测试性能评估 | 第60-61页 |
| 5.6 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间所发表的论文 | 第69-71页 |
| 致谢 | 第71页 |
