基于深度学习和迁移学习的多任务图像分类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 图像分类的研究现状和挑战 | 第9-11页 |
| 1.3 本文的研究内容和主要工作 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 第二章 相关技术 | 第13-22页 |
| 2.1 图像分类算法 | 第13-15页 |
| 2.1.1 传统的图像分类算法 | 第13-14页 |
| 2.1.2 基于深度学习的图像分类算法 | 第14-15页 |
| 2.2 常见的卷积神经网络模型 | 第15-17页 |
| 2.2.1 AlexNet | 第15-16页 |
| 2.2.2 GoogLeNet | 第16-17页 |
| 2.3 迁移学习与深度学习的结合 | 第17-19页 |
| 2.4 多任务学习与深度学习的结合 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 深度学习中的迁移学习 | 第22-48页 |
| 3.1 基于CNN模型的迁移学习 | 第22-26页 |
| 3.2 迁移学习策略的分析 | 第26-27页 |
| 3.3 最佳微调深度的分析 | 第27-29页 |
| 3.4 自适应微调深度的迁移学习方法 | 第29-31页 |
| 3.5 实验与分析 | 第31-47页 |
| 3.5.1 数据集 | 第31-34页 |
| 3.5.2 不同情况下的迁移学习实验 | 第34-39页 |
| 3.5.3 不同微调深度下的迁移学习实验 | 第39-44页 |
| 3.5.4 自适应微调深度的迁移学习实验 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 深度学习中的稀疏模型 | 第48-53页 |
| 4.1 模型的参数值分析 | 第48-49页 |
| 4.2 密集-稀疏训练方法 | 第49-51页 |
| 4.3 实验与分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 深度学习中的多任务图像分类 | 第53-61页 |
| 5.1 多任务图像分类的瓶颈 | 第53-54页 |
| 5.2 网络的参数数目与预测时间分析 | 第54-56页 |
| 5.3 参数共享的多任务图像分类方法 | 第56-58页 |
| 5.4 实验与分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 全文总结 | 第61页 |
| 6.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附件 | 第68页 |
