深度学习分类网络研究及其在计算机视觉中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 符号说明 | 第13-14页 |
| 1 绪论 | 第14-21页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究意义 | 第15-16页 |
| 1.3 国内外研究工作及进展 | 第16-19页 |
| 1.3.1 图像分类研究现状 | 第16-18页 |
| 1.3.2 目标检测研究现状 | 第18-19页 |
| 1.4 本文主要工作及结构安排 | 第19-21页 |
| 2 深度学习历史发展 | 第21-37页 |
| 2.1 人工神经网络 | 第21-29页 |
| 2.1.1 神经元模型 | 第21-23页 |
| 2.1.2 感知机 | 第23-25页 |
| 2.1.3 多层感知机 | 第25-26页 |
| 2.1.4 深度信念网络 | 第26-29页 |
| 2.2 卷积神经网络 | 第29-34页 |
| 2.2.1 卷积 | 第30-31页 |
| 2.2.2 局部连接 | 第31-32页 |
| 2.2.3 权值共享 | 第32页 |
| 2.2.4 多卷积核和卷积核尺寸 | 第32-33页 |
| 2.2.5 池化 | 第33-34页 |
| 2.3 深度学习框架 | 第34-37页 |
| 3 深度学习分类网络及应用研究 | 第37-71页 |
| 3.1 深度学习分类网络 | 第37-45页 |
| 3.1.1 LeNet | 第37-38页 |
| 3.1.2 AlexNet | 第38-40页 |
| 3.1.3 VGG | 第40-41页 |
| 3.1.4 GoogLeNet | 第41-44页 |
| 3.1.5 ResNet | 第44-45页 |
| 3.2 图像分类 | 第45-53页 |
| 3.2.1 数据集及数据格式 | 第45-48页 |
| 3.2.2 图像预处理 | 第48页 |
| 3.2.3 损失函数 | 第48-49页 |
| 3.2.4 优化方法 | 第49页 |
| 3.2.5 超参数 | 第49-50页 |
| 3.2.6 图像分类流程 | 第50-51页 |
| 3.2.7 图像分类结果 | 第51-53页 |
| 3.3 目标检测 | 第53-71页 |
| 3.3.1 目标检测数据集 | 第54-56页 |
| 3.3.2 目标检测评价标准 | 第56-58页 |
| 3.3.3 目标检测框架 | 第58-67页 |
| 3.3.4 目标检测结果 | 第67-71页 |
| 4 深度学习分类网络结构研究 | 第71-86页 |
| 4.1 基于通道融合的分类网络及应用 | 第71-80页 |
| 4.1.1 通道融合结构 | 第71-73页 |
| 4.1.2 脱机手写汉字识别 | 第73-77页 |
| 4.1.3 DenseNet | 第77-80页 |
| 4.2 分类网络的多网络融合 | 第80-86页 |
| 4.2.1 基于输出加权的多网络融合 | 第80-82页 |
| 4.2.2 基于网络拼接的多网络融合 | 第82-86页 |
| 5 总结与展望 | 第86-88页 |
| 5.1 总结 | 第86页 |
| 5.2 研究展望 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-93页 |
| 个人简历、在学校期间发表的学术论文及研究成果 | 第93页 |
