深度卷积神经网络中基于序的池化方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与现状 | 第9-10页 |
| 1.2 本文主要贡献 | 第10-11页 |
| 1.3 本文组织架构 | 第11-13页 |
| 2 卷积神经网络 | 第13-21页 |
| 2.1 卷积层 | 第14-15页 |
| 2.2 池化层 | 第15页 |
| 2.3 激活函数 | 第15-16页 |
| 2.4 Dropout | 第16-17页 |
| 2.5 学习算法 | 第17-21页 |
| 2.5.1 BP学习算法 | 第17-19页 |
| 2.5.2 卷积网络的学习算法 | 第19-21页 |
| 3 基于序的池化方法 | 第21-27页 |
| 3.1 基于序的平均池化 | 第21-22页 |
| 3.2 基于序的加权池化 | 第22-23页 |
| 3.3 基于序的随机池化 | 第23-24页 |
| 3.4 判别性分析 | 第24-27页 |
| 4 图像识别 | 第27-37页 |
| 4.1 实验结果及分析 | 第28-31页 |
| 4.1.1 CIFAR-10 | 第28页 |
| 4.1.2 MNIST | 第28-29页 |
| 4.1.3 CIFAR-100 | 第29-30页 |
| 4.1.4 NORB | 第30-31页 |
| 4.2 结合其他最优方法 | 第31页 |
| 4.3 参数选择 | 第31-34页 |
| 4.4 保存多样性信息 | 第34-35页 |
| 4.5 可视化 | 第35-37页 |
| 5 人群计数 | 第37-44页 |
| 5.1 图像分块 | 第37-38页 |
| 5.2 人群计数模型 | 第38-39页 |
| 5.3 实验结果及分析 | 第39-44页 |
| 6 总结与展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 在学期间发表的学术论文与研究成果 | 第49页 |
