深度神经网络可视化技术研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究工作的背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 深度学习研究现状 | 第13-14页 |
| 1.2.2 深度可视化技术的研究现状 | 第14-17页 |
| 1.2.2.1 直接显示 | 第15-16页 |
| 1.2.2.2 最大激活 | 第16-17页 |
| 1.2.2.3 编码反转 | 第17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本论文的结构安排 | 第18-20页 |
| 第二章 深度神经网络 | 第20-49页 |
| 2.1 网络层 | 第20-35页 |
| 2.1.1 神经元 | 第20-21页 |
| 2.1.2 激活函数 | 第21-28页 |
| 2.1.2.1 阶跃函数 | 第22页 |
| 2.1.2.2 Sigmoid函数 | 第22-24页 |
| 2.1.2.3 Tanh函数 | 第24页 |
| 2.1.2.4 ReLU函数 | 第24-26页 |
| 2.1.2.5 PReLU函数 | 第26页 |
| 2.1.2.6 ELU函数 | 第26-28页 |
| 2.1.3 全连接层 | 第28-29页 |
| 2.1.4 卷积层 | 第29-31页 |
| 2.1.5 循环层 | 第31-33页 |
| 2.1.6 池化层 | 第33-34页 |
| 2.1.7 Dropout层 | 第34-35页 |
| 2.2 网络结构 | 第35-40页 |
| 2.2.1 多层感知器 | 第35页 |
| 2.2.2 卷积神经网络 | 第35-37页 |
| 2.2.3 自编码器 | 第37-39页 |
| 2.2.4 循环神经网络 | 第39-40页 |
| 2.3 目标函数 | 第40-41页 |
| 2.4 优化方法 | 第41-48页 |
| 2.4.1 批量梯度下降法 | 第42-43页 |
| 2.4.2 随机梯度下降法 | 第43页 |
| 2.4.3 批量随机梯度下降法 | 第43-44页 |
| 2.4.4 动量项 | 第44页 |
| 2.4.5 Nesterov加速梯度 | 第44-45页 |
| 2.4.6 Adagrad | 第45-46页 |
| 2.4.7 Adadelta | 第46-47页 |
| 2.4.8 Adam | 第47-48页 |
| 2.5 本章小结 | 第48-49页 |
| 第三章 特征映射可视化 | 第49-65页 |
| 3.1 深度可视化 | 第50-54页 |
| 3.1.1 损失函数 | 第51-52页 |
| 3.1.1.1 最大激活 | 第51页 |
| 3.1.1.2 编码反转 | 第51-52页 |
| 3.1.2 正则项 | 第52-54页 |
| 3.1.2.1 范数约束 | 第52-53页 |
| 3.1.2.2 全变分 | 第53页 |
| 3.1.2.3 抖动 | 第53-54页 |
| 3.1.3 深度可视化的作用 | 第54页 |
| 3.2 特征映射可视化 | 第54-64页 |
| 3.2.1 特征映射可视化 | 第55-58页 |
| 3.2.1.1 图像预处理 | 第55-56页 |
| 3.2.1.2 特征映射 | 第56页 |
| 3.2.1.3 特征映射调制 | 第56-57页 |
| 3.2.1.4 编码反转 | 第57页 |
| 3.2.1.5 算法收敛标准 | 第57-58页 |
| 3.2.2 实验配置 | 第58-61页 |
| 3.2.2.1 Mxnet | 第58-59页 |
| 3.2.2.2 网络模型 | 第59页 |
| 3.2.2.3 可视化对象 | 第59-61页 |
| 3.2.3 实验结果 | 第61-64页 |
| 3.2.3.1 特征映射可视化 | 第61-63页 |
| 3.2.3.2 不同幅度响应的特征映射 | 第63-64页 |
| 3.3 本章小结 | 第64-65页 |
| 第四章 图像纹理模型 | 第65-70页 |
| 4.1 图像纹理特征的定义 | 第65页 |
| 4.2 图像风格转移 | 第65-67页 |
| 4.3 图像纹理识别 | 第67-69页 |
| 4.3.1 纹理图像库 | 第67-68页 |
| 4.3.2 纹理特征 | 第68页 |
| 4.3.3 分类器训练 | 第68页 |
| 4.3.4 实验结果与分析 | 第68-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文贡献 | 第70页 |
| 5.2 工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻硕期间取得的研究成果 | 第78页 |
