| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 本文的研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文结构安排 | 第13-14页 |
| 第二章 不良图片过滤方法分析 | 第14-32页 |
| 2.1 引言 | 第14页 |
| 2.2 基于感兴趣区域的不良图片过滤方法 | 第14-22页 |
| 2.2.1 皮肤区域检测 | 第15-18页 |
| 2.2.2 人脸信息检测 | 第18-21页 |
| 2.2.3 敏感部位检测 | 第21-22页 |
| 2.3 基于局部特征的不良图片过滤方法 | 第22-23页 |
| 2.4 基于深度学习的不良图片过滤方法 | 第23-31页 |
| 2.4.1 神经网络算法 | 第25-26页 |
| 2.4.2 卷积神经网络 | 第26-28页 |
| 2.4.3 选择合适的激活函数 | 第28-29页 |
| 2.4.4 网络模型结构 | 第29-30页 |
| 2.4.5 训练步骤 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于多分类和深度残差网络的不良图片过滤方法 | 第32-47页 |
| 3.1 引言 | 第32页 |
| 3.2 基于多分类和深度残差网络的不良图片过滤算法 | 第32-39页 |
| 3.2.1 数据的预处理 | 第33-35页 |
| 3.2.2 基于ResNet的细粒度分类方法 | 第35-38页 |
| 3.2.3 基于反馈的训练策略 | 第38-39页 |
| 3.3 构建数据集 | 第39-44页 |
| 3.3.1 已有数据集 | 第39-40页 |
| 3.3.2 数据集构建 | 第40-42页 |
| 3.3.3 基准测试数据集的要素 | 第42-44页 |
| 3.4 模型的训练过程 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 实验结果分析 | 第47-52页 |
| 4.1 实验环境 | 第47页 |
| 4.2 不同算法的性能比较 | 第47-49页 |
| 4.3 过滤正确和错误的样例分析 | 第49-52页 |
| 第五章 网页不良图片过滤系统的设计与实现 | 第52-64页 |
| 5.1 系统设计方案与实现 | 第52-60页 |
| 5.1.1 网页监控模块 | 第55页 |
| 5.1.2 不良网页过滤模块 | 第55-56页 |
| 5.1.3 网页图片下载模块 | 第56-57页 |
| 5.1.4 不良图片检测模块 | 第57-59页 |
| 5.1.5 图片分析模块 | 第59-60页 |
| 5.2 系统测试 | 第60-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 研究展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 在学期间的研究成果 | 第70-71页 |
| 致谢 | 第71页 |