| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 关键问题 | 第15-16页 |
| 1.3 主要工作与创新成果 | 第16-18页 |
| 1.4 论文结构 | 第18-21页 |
| 第2章 研究基础与相关工作 | 第21-50页 |
| 2.1 引言 | 第21-23页 |
| 2.2 人工神经网络的起源和发展 | 第23-25页 |
| 2.2.1 人工神经网络发展的早期阶段 | 第23-24页 |
| 2.2.2 人工神经网络发展的近代阶段 | 第24-25页 |
| 2.3 人工神经网络的经典结构与技术 | 第25-44页 |
| 2.3.1 全连接、卷积连接和池化连接 | 第25-26页 |
| 2.3.2 卷积连接的改进与变种 | 第26-30页 |
| 2.3.3 池化连接的改进与变种 | 第30-31页 |
| 2.3.4 激活函数 | 第31-33页 |
| 2.3.5 卷积神经网络的优化 | 第33-38页 |
| 2.3.6 经典网络结构 | 第38-44页 |
| 2.4 现有模型的发展趋势和不足 | 第44-46页 |
| 2.4.1 现有模型的发展趋势 | 第44-45页 |
| 2.4.2 现有模型的不足 | 第45-46页 |
| 2.5 人类视觉系统与视觉注意机制 | 第46-49页 |
| 2.5.1 人类视觉系统 | 第46-48页 |
| 2.5.2 视觉注意机制 | 第48-49页 |
| 2.6 本章小结 | 第49-50页 |
| 第3章 基于视觉注意机制的神经网络模型 | 第50-84页 |
| 3.1 引言 | 第50-51页 |
| 3.2 人工神经网络与视觉显著度 | 第51-53页 |
| 3.2.1 卷积连接与特征提取 | 第51-53页 |
| 3.2.2 视觉显著度 | 第53页 |
| 3.3 Sal-Mask网络:模拟视觉注意机制的人工神经网络模型 | 第53-57页 |
| 3.3.1 Sal-Mask连接 | 第55-57页 |
| 3.4 实验配置 | 第57-75页 |
| 3.4.1 实验数据 | 第57-60页 |
| 3.4.2 实验平台 | 第60-62页 |
| 3.4.3 基准网络结构 | 第62-66页 |
| 3.4.4 显著度掩码图的处理方案 | 第66-74页 |
| 3.4.5 Sal-Mask网络结构 | 第74-75页 |
| 3.5 实验结果统计与分析 | 第75-82页 |
| 3.5.1 Cifar-10数据集上的实验结果 | 第75-78页 |
| 3.5.2 STL-10数据集上的实验结果 | 第78-79页 |
| 3.5.3 ImageNet_sub数据集上的实验结果 | 第79-80页 |
| 3.5.4 实验结果总结与分析 | 第80-82页 |
| 3.6 本章小结 | 第82-84页 |
| 第4章 基于人工神经网络协同训练的掩码图算法 | 第84-109页 |
| 4.1 引言 | 第84-85页 |
| 4.2 显著度掩码图 | 第85-87页 |
| 4.2.1 现有显著度算法的问题 | 第85-87页 |
| 4.3 Ada-Sal网络 | 第87-90页 |
| 4.3.1 基本思路 | 第87页 |
| 4.3.2 数学公式推导 | 第87-90页 |
| 4.3.3 Ada-Sal网络定性分析 | 第90页 |
| 4.4 Ada-Sal网络结构设计 | 第90-95页 |
| 4.4.1 Ada-Sal网络的不同结构 | 第90-93页 |
| 4.4.2 设计Ada-Sal网络时应当注意的地方 | 第93-95页 |
| 4.5 实验与性能分析 | 第95-106页 |
| 4.5.1 实验数据、代码与基准网络 | 第95页 |
| 4.5.2 实验配置 | 第95页 |
| 4.5.3 cm_single实验组 | 第95-98页 |
| 4.5.4 cm_multi组实验 | 第98页 |
| 4.5.5 cm_net实验组 | 第98-106页 |
| 4.5.6 讨论与分析 | 第106页 |
| 4.6 本章小结 | 第106-109页 |
| 第5章 多尺度特征选择性增强的神经网络模型 | 第109-123页 |
| 5.1 引言 | 第109页 |
| 5.2 Deep-Sal:特征选择功能在深度上的拓展 | 第109-113页 |
| 5.2.1 卷积神经网络与逐层特征提取 | 第109-110页 |
| 5.2.2 作用在更高阶特征上的Sal-Mask连接 | 第110页 |
| 5.2.3 实验与分析 | 第110-113页 |
| 5.3 不使用先验知识的掩码图训练算法 | 第113-115页 |
| 5.3.1 网络结构 | 第113-114页 |
| 5.3.2 实验与分析 | 第114-115页 |
| 5.4 MoF Net:特征选择功能在广度上的拓展 | 第115-119页 |
| 5.4.1 特征图与卷积核 | 第115-117页 |
| 5.4.2 全局尺度的特征选择性增强算法 | 第117-119页 |
| 5.4.3 实验与分析 | 第119页 |
| 5.5 本章小结 | 第119-123页 |
| 第6章 总结与展望 | 第123-125页 |
| 6.1 论文总结 | 第123-124页 |
| 6.2 研究展望 | 第124-125页 |
| 参考文献 | 第125-135页 |
| 致谢 | 第135-137页 |
| 在读期间发表的学术论文与取得的研究成果 | 第137-138页 |
