基于卷积神经网络的图像识别
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文工作和内容安排 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 第2章 神经网络概述 | 第14-27页 |
| 2.1 人工神经网络 | 第14-19页 |
| 2.1.1 感知器 | 第14-16页 |
| 2.1.2 多层感知器 | 第16-17页 |
| 2.1.3 反向传播算法 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-26页 |
| 2.2.1 卷积神经网络的结构 | 第20页 |
| 2.2.2 卷积层的局部连接和权值共享 | 第20-22页 |
| 2.2.3 卷积层的卷积操作 | 第22-23页 |
| 2.2.4 降采样层 | 第23页 |
| 2.2.5 Softmax回归 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 改进的多尺度残差神经网络 | 第27-35页 |
| 3.1 残差神经网络 | 第27-29页 |
| 3.2 多尺度残差神经网络 | 第29-32页 |
| 3.3 dropout | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于多尺度残差神经网络的图像识别 | 第35-47页 |
| 4.1 硬件环境和tensorlfow框架介绍 | 第35-36页 |
| 4.2 图像数据集介绍 | 第36-37页 |
| 4.3 模型结构 | 第37-39页 |
| 4.4 dropout的影响 | 第39-40页 |
| 4.5 实验细节 | 第40-41页 |
| 4.6 实验结果与分析 | 第41-45页 |
| 4.7 基于投票的集成学习方法 | 第45-46页 |
| 4.8 本章小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 作者简介 | 第52-53页 |
| 致谢 | 第53页 |
