基于深度学习的铁谱图像分类
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 引言 | 第11-12页 |
| 1.2 铁谱分析技术 | 第12-16页 |
| 1.2.1 铁谱分析技术简介 | 第12页 |
| 1.2.2 铁谱分析技术研究历史与现状 | 第12-16页 |
| 1.3 深度学习 | 第16-19页 |
| 1.3.1 深度学习简介 | 第16-17页 |
| 1.3.2 深度学习研究现状 | 第17-19页 |
| 1.4 研究意义 | 第19-20页 |
| 1.5 研究内容 | 第20-23页 |
| 1.5.1 本文研究的目的与方法 | 第20-22页 |
| 1.5.2 本文内容的结构框架 | 第22-23页 |
| 第二章 铁谱图像数据处理与增广 | 第23-36页 |
| 2.1 数据集的准备 | 第23-28页 |
| 2.1.1 图像的整理与分类 | 第23-25页 |
| 2.1.2 图像几何坐标变换 | 第25-26页 |
| 2.1.3 基于图像的几何变换制作数据集 | 第26-28页 |
| 2.2 数据增广 | 第28-34页 |
| 2.2.1 空间滤波 | 第28-30页 |
| 2.2.2 图像扭曲 | 第30-32页 |
| 2.2.3 颜色变换 | 第32-34页 |
| 2.3 数据集划分 | 第34-35页 |
| 2.4 本章总结 | 第35-36页 |
| 第三章 铁谱图像分类网络模型的构建与训练 | 第36-53页 |
| 3.1 浅层神经网络 | 第36-41页 |
| 3.1.1 机器学习简介 | 第36-37页 |
| 3.1.2 浅层神经网络架构 | 第37-39页 |
| 3.1.3 反向传播算法 | 第39-41页 |
| 3.2 卷积神经网络简介 | 第41-45页 |
| 3.2.1 卷积层 | 第41-43页 |
| 3.2.2 池化层 | 第43-44页 |
| 3.2.3 卷积神经网络结构 | 第44-45页 |
| 3.3 网络的优化 | 第45-48页 |
| 3.3.1 Dropout | 第45-46页 |
| 3.3.2 交叉熵损失函数 | 第46-47页 |
| 3.3.3 Relu激活函数 | 第47-48页 |
| 3.4 卷积神经网络模型的训练 | 第48-52页 |
| 3.4.1 卷积神经网络模型的构建 | 第48-50页 |
| 3.4.2 网络训练参数及优化方法 | 第50页 |
| 3.4.3 模型训练 | 第50-52页 |
| 3.5 本章总结 | 第52-53页 |
| 第四章 铁谱图像分类模型的比较与分析 | 第53-63页 |
| 4.1 铁谱图像分类模型模型的比较 | 第53-57页 |
| 4.1.1 不同卷积核尺寸模型的性能比较 | 第53-55页 |
| 4.1.2 不同网络层数模型性能比较 | 第55页 |
| 4.1.3 与经典网络模型的性能比较 | 第55-57页 |
| 4.2 铁谱图像分类模型分析 | 第57-62页 |
| 4.2.1 铁谱图像分类结果分析 | 第57-59页 |
| 4.2.2 特征图可视化 | 第59-61页 |
| 4.2.3 全连接层输出值聚类分析 | 第61-62页 |
| 4.3 本章总结 | 第62-63页 |
| 第五章 总结与展望 | 第63-66页 |
| 5.1 本课题的研究工作 | 第63-64页 |
| 5.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72页 |
