基于深度学习的地表凝结图像分类研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景和选题意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容及章节安排 | 第12-14页 |
| 1.3.1 本文的研究工作 | 第12-13页 |
| 1.3.2 论文的结构安排 | 第13-14页 |
| 第2章 深度学习基础 | 第14-25页 |
| 2.1 深度学习的背景 | 第14-15页 |
| 2.2 深度学习的训练过程 | 第15-16页 |
| 2.3 卷积神经网络基础 | 第16-24页 |
| 2.3.1 梯度下降算法 | 第16-18页 |
| 2.3.2 误差反向传播算法 | 第18-19页 |
| 2.3.3 卷积神经网络的组成 | 第19-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于生成网络的图像集扩充 | 第25-33页 |
| 3.1 生成网络概述 | 第25-27页 |
| 3.1.1 生成网络的基本原理 | 第25-26页 |
| 3.1.2 常见的生成网络 | 第26-27页 |
| 3.2 产生图像集的生成网络模型 | 第27-29页 |
| 3.2.1 生成器模型 | 第27-28页 |
| 3.2.2 判别器模型 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-32页 |
| 3.3.1 实验参数设置 | 第29页 |
| 3.3.2 实验结果分析 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于深度卷积网络的图像分类 | 第33-47页 |
| 4.1 基于AlexNet的网络模型 | 第33-34页 |
| 4.2 基于Vgg16的网络模型 | 第34-35页 |
| 4.3 基于ResNet-50的网络模型 | 第35-38页 |
| 4.4 实验结果与分析 | 第38-46页 |
| 4.4.1 数据集 | 第38-40页 |
| 4.4.2 实验参数设置 | 第40页 |
| 4.4.3 结果与分析 | 第40-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于深度卷积网络多路特征融合的图像分类 | 第47-59页 |
| 5.1 基于AlexNet的多路融合网络模型 | 第47-48页 |
| 5.2 基于Vgg16的多路融合网络模型 | 第48-49页 |
| 5.3 基于ResNet-50的多路融合网络模型 | 第49-51页 |
| 5.4 实验结果与分析 | 第51-58页 |
| 5.4.1 数据集 | 第51页 |
| 5.4.2 实验参数设置 | 第51页 |
| 5.4.3 结果与分析 | 第51-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录1 攻读硕士学位期间发表的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 详细摘要 | 第68-71页 |
