| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究概况 | 第11-12页 |
| 1.3 论文的主要研究内容 | 第12-13页 |
| 1.4 论文章节安排 | 第13-15页 |
| 2 相关工作和关键技术 | 第15-29页 |
| 2.1 卷积神经网络简介 | 第15-21页 |
| 2.1.1 全连接神经网络 | 第16-18页 |
| 2.1.2 卷积神经网络 | 第18-20页 |
| 2.1.3 深度卷积网络 | 第20-21页 |
| 2.2 神经科学简介 | 第21-23页 |
| 2.2.1 心理学与神经科学 | 第21-22页 |
| 2.2.2 人的学习——记忆与学习 | 第22-23页 |
| 2.3 神经网络图灵机(NEURAL TURING MACHINES,NTM) | 第23-28页 |
| 2.3.1 读操作 | 第25页 |
| 2.3.2 写操作 | 第25-26页 |
| 2.3.3 寻址机制 | 第26-28页 |
| 2.3.4 控制网络 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于少量样本的图像识别模型的分析与设计 | 第29-42页 |
| 3.1 模型结构 | 第29-31页 |
| 3.2 注意核函数(ATTENTION KERNEL) | 第31-35页 |
| 3.3 LOSS函数的设计 | 第35-37页 |
| 3.4 训练策略 | 第37-39页 |
| 3.4.1 获取记忆扩增矩阵 | 第37-38页 |
| 3.4.2 比对网络结构 | 第38-39页 |
| 3.5 流程总结 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 比对网络用于图像识别及实验结果分析 | 第42-58页 |
| 4.1 FLICKRLOGOS-32数据集 | 第42-50页 |
| 4.1.1 VGG_M网络与比对网络的识别结果比较 | 第43-49页 |
| 4.1.2 不同支持集合数量对识别结果的影响 | 第49-50页 |
| 4.2 IMAGENETMINI数据集 | 第50-55页 |
| 4.2.1 训练测试比1:9 | 第50-52页 |
| 4.2.2 训练测试比2:8 | 第52-53页 |
| 4.2.3 训练测试比8:2 | 第53-54页 |
| 4.2.4 小结 | 第54-55页 |
| 4.3 903 类商铺LOGO数据集 | 第55-56页 |
| 4.4 CASIA-IRIS虹膜数据集 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |
