| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文结构 | 第13-15页 |
| 第2章 深度学习 | 第15-37页 |
| 2.1 多层感知器(Multi-Layer perceptron, MLP) | 第16-19页 |
| 2.2 受限玻尔兹曼机(Restricted Boltzmann Machines, RBM) | 第19-21页 |
| 2.3 深度信念网络(Deep Belief Networks, DBN) | 第21-23页 |
| 2.3.1 深度信念网络的无监督训练 | 第21-22页 |
| 2.3.2 深度信念网络的有监督调优 | 第22-23页 |
| 2.4 自动编码器(AutoEncoder, AE) | 第23-26页 |
| 2.4.1 自动编码器的无监督预训练 | 第24-25页 |
| 2.4.2 自动编码器的有监督微调 | 第25-26页 |
| 2.4.3 softmax分类器 | 第26页 |
| 2.5 卷积神经网络(Convolutional Neural Networks, CNN) | 第26-29页 |
| 2.5.1 卷积神经网络的特点 | 第27-28页 |
| 2.5.2 卷积神经网络的训练过程 | 第28-29页 |
| 2.6 循环神经网络(Recurrent Neural Networks, RNN) | 第29-37页 |
| 2.6.1 循环神经网络的应用 | 第29页 |
| 2.6.2 循环神经网络的前向传播过程 | 第29-32页 |
| 2.6.3 循环神经网络的后向传播更新梯度过程 | 第32-33页 |
| 2.6.4 循环神经网络的变体 | 第33-37页 |
| 第3章 卷积神经网络的基本概念 | 第37-43页 |
| 3.1 卷积神经网络的基本层 | 第37-38页 |
| 3.1.1 卷积层 | 第37页 |
| 3.1.2 池化层 | 第37-38页 |
| 3.1.3 全连接层 | 第38页 |
| 3.1.4 softmax层 | 第38页 |
| 3.2 卷积神经网络的优化层 | 第38-43页 |
| 3.2.1 激励层 | 第38-39页 |
| 3.2.2 dropout层 | 第39页 |
| 3.2.3 规范化层 | 第39页 |
| 3.2.4 全连接层转化的卷积层 | 第39-41页 |
| 3.2.5 1×1×m×n的卷积层 | 第41-43页 |
| 第4章 卷积神经网络的结构设计 | 第43-51页 |
| 4.1 卷积神经网络的基本结构 | 第43-45页 |
| 4.2 卷积神经网络的主流结构 | 第45-47页 |
| 4.3 深度卷积神经网络的优化结构 | 第47-51页 |
| 4.3.1 多层小卷积核代替单层大卷积核 | 第48页 |
| 4.3.2 超参数的经验值设定 | 第48-49页 |
| 4.3.3 多算法融合处理卷积层 | 第49-50页 |
| 4.3.4 预训练优化初始权重值 | 第50-51页 |
| 第5章 基于深度卷积神经网络的物体识别算法的改进 | 第51-63页 |
| 5.1 卷积层的改进 | 第51-53页 |
| 5.2 池化层的改进 | 第53-54页 |
| 5.3 简化卷积 | 第54-56页 |
| 5.4 物体识别常用数据库 | 第56-58页 |
| 5.5 实验结果和分析 | 第58-63页 |
| 5.5.1 计算资源的考虑 | 第58-59页 |
| 5.5.2 数据增强防止过拟合 | 第59页 |
| 5.5.3 实验验证 | 第59-63页 |
| 第6章 总结与展望 | 第63-67页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-67页 |
| 参考文献 | 第67-71页 |
| 发表论文和参加科研情况说明 | 第71-73页 |
| 致谢 | 第73-74页 |
