深度卷积神经网络隐层特征融合算法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究的现状 | 第16-17页 |
| 1.3 本论文的主要工作和结构安排 | 第17-19页 |
| 1.3.1 本论文的主要工作 | 第17-18页 |
| 1.3.2 结构安排 | 第18-19页 |
| 第二章 相关背景知识介绍 | 第19-44页 |
| 2.1 人工神经网络 | 第19-25页 |
| 2.1.1 人工神经元基本单元结构 | 第19-20页 |
| 2.1.2 人工神经网络的学习功能 | 第20-21页 |
| 2.1.3 神经网络的模型种类 | 第21-22页 |
| 2.1.4 反向传播算法 | 第22-25页 |
| 2.2 卷积神经网络 | 第25-33页 |
| 2.2.1 卷积神经网络框架 | 第26-27页 |
| 2.2.2 卷积神经网络的运算 | 第27页 |
| 2.2.3 下采样层 | 第27-28页 |
| 2.2.4 研究图像分类的核心技术 | 第28-29页 |
| 2.2.5 卷积神经网络的优点与缺点 | 第29-32页 |
| 2.2.6 caffe介绍 | 第32-33页 |
| 2.3 图像分类构造方法 | 第33-43页 |
| 2.3.1 传统统计学方法 | 第33-35页 |
| 2.3.2 统计学理论 | 第35-36页 |
| 2.3.3 SVM的基本原理 | 第36-38页 |
| 2.3.4 SVM分类器理论 | 第38-40页 |
| 2.3.5 SVM多元分类器的构造 | 第40-43页 |
| 2.4 本章小结 | 第43-44页 |
| 第三章 基于SVM和CNN隐含层特征融合算法 | 第44-52页 |
| 3.1 AlexNet网络模型 | 第44-48页 |
| 3.1.1 cov1卷积层 | 第44-45页 |
| 3.1.2 cov2卷积层 | 第45页 |
| 3.1.3 cov3卷积层 | 第45-46页 |
| 3.1.4 cov4卷积层 | 第46页 |
| 3.1.5 cov5卷积层 | 第46-47页 |
| 3.1.6 fc6全连接层 | 第47页 |
| 3.1.7 fc7全连接层 | 第47页 |
| 3.1.8 fc8全连接层 | 第47-48页 |
| 3.2 数据融合 | 第48-49页 |
| 3.2.1 特征级融合 | 第48页 |
| 3.2.2 决策级融合 | 第48-49页 |
| 3.3 算法思想 | 第49页 |
| 3.4 目标函数 | 第49-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 实验 | 第52-58页 |
| 4.1 LibSVM工具箱简介 | 第52-53页 |
| 4.2 数据集 | 第53页 |
| 4.3 特征提取 | 第53-55页 |
| 4.4 实验设置 | 第55页 |
| 4.5 参数设置 | 第55-56页 |
| 4.6 实验结果 | 第56-57页 |
| 4.7 结论 | 第57页 |
| 4.8 本章小结 | 第57-58页 |
| 第五章 总结和展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第63-64页 |
