基于深度卷积神经网络的图像分类模型的设计与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 课题的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本章小结 | 第11-12页 |
| 第2章 卷积神经网络 | 第12-23页 |
| 2.1 人工神经网络 | 第12-14页 |
| 2.1.1 神经元结构 | 第12-13页 |
| 2.1.2 ANN结构 | 第13-14页 |
| 2.1.3 ANN训练 | 第14页 |
| 2.1.4 ANN图像处理的局限性 | 第14页 |
| 2.2 卷积神经网络 | 第14-19页 |
| 2.2.1 输入层 | 第15-16页 |
| 2.2.2 卷积层 | 第16-17页 |
| 2.2.3 采样层 | 第17-18页 |
| 2.2.4 全连层 | 第18-19页 |
| 2.3 CNN训练 | 第19-22页 |
| 2.3.1 CNN数学模型 | 第20页 |
| 2.3.2 正向传播 | 第20-21页 |
| 2.3.3 梯度下降 | 第21-22页 |
| 2.3.4 方向传播算法 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 图像数据及数据扩充 | 第23-29页 |
| 3.1 ImageNet图像数据集 | 第23-26页 |
| 3.2 数据扩充 | 第26-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 GPU并行模型 | 第29-37页 |
| 4.1 GPU结构和原理 | 第29-31页 |
| 4.2 CUDA结构和原理 | 第31-36页 |
| 4.2.1 异构结构和内核函数 | 第32-33页 |
| 4.2.2 网格和程序块 | 第33-34页 |
| 4.2.3 内存模型 | 第34-35页 |
| 4.2.4 线程同步 | 第35页 |
| 4.2.5 程序控制流 | 第35-36页 |
| 4.3 本章小结 | 第36-37页 |
| 第5章 大规模图像分类模型 | 第37-47页 |
| 5.1 线性整流激活函数 | 第37-40页 |
| 5.1.1 神经网络的稀疏性 | 第37-38页 |
| 5.1.2 基于稀疏性的线性整流函数 | 第38-40页 |
| 5.2 数据归一化 | 第40-42页 |
| 5.2.1 数据预处理 | 第40-41页 |
| 5.2.2 批归一化 | 第41-42页 |
| 5.3 Dropout组合模型 | 第42-45页 |
| 5.3.1 Dropout原理 | 第43-45页 |
| 5.3.2 采用Dropout的模型训练 | 第45页 |
| 5.4 大规模图像分类模型总体架构 | 第45-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第6章 图像分类模型实验 | 第47-59页 |
| 6.1 Caffe及其搭建 | 第47-51页 |
| 6.1.1 Caffe的结构和特点 | 第48页 |
| 6.1.2 Caffe的操作 | 第48-51页 |
| 6.2 图像分类模型训练 | 第51-56页 |
| 6.2.1 训练设置 | 第51-52页 |
| 6.2.2 模型训练流程 | 第52-56页 |
| 6.3 实验结果分析 | 第56-58页 |
| 6.4 本章小结 | 第58-59页 |
| 总结与展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
