图像分类中的卷积神经网络方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景及意义 | 第9-10页 |
| 1.2 深度学习的发展及其研究现状 | 第10-11页 |
| 1.3 卷积神经网络及其研究现状 | 第11-12页 |
| 1.4 卷积神经网络在图像分类上存在的问题 | 第12-13页 |
| 1.5 主要研究工作及章节安排 | 第13-15页 |
| 1.5.1 主要研究工作 | 第13页 |
| 1.5.2 论文章节安排 | 第13-15页 |
| 第二章 卷积神经网络的结构及相关算法 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 卷积神经网络结构及原理 | 第15-19页 |
| 2.2.1 局部连接 | 第16-17页 |
| 2.2.2 权值共享 | 第17-18页 |
| 2.2.3 卷积 | 第18页 |
| 2.2.4 池化 | 第18-19页 |
| 2.3 卷积神经网络的训练 | 第19-23页 |
| 2.3.1 卷积神经网络的参数初始化 | 第19-20页 |
| 2.3.2 神经网络的代价函数 | 第20-21页 |
| 2.3.3 反向传播算法 | 第21-23页 |
| 2.3.4 训练过程 | 第23页 |
| 2.4 神经网络的优化 | 第23-26页 |
| 2.4.1 随机梯度下降法 | 第24-25页 |
| 2.4.2 自适应梯度下降法 | 第25页 |
| 2.4.3 Dropout | 第25页 |
| 2.4.4 CUDA编程 | 第25-26页 |
| 2.5 CNN的应用 | 第26-27页 |
| 2.6 本章总结 | 第27-28页 |
| 第三章 改进的激活函数 | 第28-39页 |
| 3.1 神经元与神经网络 | 第28-31页 |
| 3.1.1 引言 | 第28页 |
| 3.1.2 神经元模型的结构 | 第28-29页 |
| 3.1.3 神经网络模型 | 第29-30页 |
| 3.1.4 神经网络激活函数的作用 | 第30-31页 |
| 3.2 常用激活函数及其特性 | 第31-33页 |
| 3.2.1 sigmoid | 第31-32页 |
| 3.2.2 tanh | 第32页 |
| 3.2.3 Re Lu | 第32-33页 |
| 3.2.4 softplus | 第33页 |
| 3.3 梯度弥散问题 | 第33-34页 |
| 3.4 改进的激活函数 | 第34-35页 |
| 3.5 基于改进激活函数的深度学习实验 | 第35-36页 |
| 3.5.1 网络模型描述和实验环境描述 | 第35-36页 |
| 3.5.2 Cifar-10 数据集简介 | 第36页 |
| 3.6 实验结果和分析 | 第36-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第四章 卷积神经网络池化方法的优化 | 第39-49页 |
| 4.1 引言 | 第39-40页 |
| 4.2 常用池化方法介绍 | 第40-42页 |
| 4.2.1 平均池化和最大池化 | 第40-41页 |
| 4.2.2 随机池化 | 第41-42页 |
| 4.3 传统池化方法的缺点 | 第42-43页 |
| 4.4 最大池化层dropout | 第43-45页 |
| 4.4.1 训练阶段的最大池化层 | 第44-45页 |
| 4.4.2 测试阶段的最大池化层 | 第45页 |
| 4.5 基于优化的网络模型的图像分类实验 | 第45-47页 |
| 4.5.1 测试阶段的最大池化层的改进 | 第45-46页 |
| 4.5.2 实验模型描述 | 第46页 |
| 4.5.3 数据集简介 | 第46-47页 |
| 4.6 实验结果与分析 | 第47-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第五章 CNN结合SVM的图像识别方法 | 第49-61页 |
| 5.1 支持向量机 | 第49-54页 |
| 5.1.1 引言 | 第49-50页 |
| 5.1.2 支持向量机的原理介绍 | 第50-54页 |
| 5.2 CNN与SVM的混合模型 | 第54-56页 |
| 5.2.1 混合模型的结构描述 | 第54-55页 |
| 5.2.2 混合模型的优点 | 第55-56页 |
| 5.3 基于混合模型的手写数字识别 | 第56-58页 |
| 5.3.1 网络结构描述 | 第56页 |
| 5.3.2 CNN的可视化 | 第56-58页 |
| 5.4 实验结果与分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
