| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 引言 | 第11-14页 |
| 1.2 研究背景、现状、发展趋势 | 第14-16页 |
| 1.3 本文主要研究内容和安排 | 第16-19页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 结构安排 | 第17-19页 |
| 第二章 典型卷积神经网络 | 第19-32页 |
| 2.1 卷积神经网络 | 第19-26页 |
| 2.1.1 卷积神经网络的提出 | 第19-20页 |
| 2.1.2 卷积神经网络的模型发展 | 第20-22页 |
| 2.1.3 卷积神经网络的组成 | 第22-24页 |
| 2.1.4 卷积神经网络的特点 | 第24页 |
| 2.1.5 卷积神经网络的训练优化 | 第24-26页 |
| 2.2 残差神经网络RESNET[9] | 第26-28页 |
| 2.2.1 残差神经网络的提出 | 第26-27页 |
| 2.2.2 残差神经网络的结构 | 第27-28页 |
| 2.2.3 残差网络特点 | 第28页 |
| 2.3 稠密网络DENSE NET[9] | 第28-30页 |
| 2.3.1 稠密网络结构 | 第28-29页 |
| 2.3.2 稠密网络特点 | 第29-30页 |
| 2.4 MOBILE NET网络 | 第30-31页 |
| 2.4.1 mobile net的提出 | 第30页 |
| 2.4.2 mobile net的结构 | 第30-31页 |
| 2.5 小结 | 第31-32页 |
| 第三章 卷积神经网络压缩加速算法研究 | 第32-47页 |
| 3.1 卷积神经网络与图像识别流程 | 第32-34页 |
| 3.2 基于剪枝的加速算法 | 第34-36页 |
| 3.2.1 基于相关性的剪枝 | 第35页 |
| 3.2.2 基于权重参数的剪枝 | 第35-36页 |
| 3.3 基于网络融合的加速算法—DEEP REBIRTH[28] | 第36-38页 |
| 3.4 加速算法改进 | 第38-43页 |
| 3.4.1 剪枝方法改进——基于神经元和神经元组的剪枝 | 第38-42页 |
| 3.4.2 网络融合与剪枝加速的结合——融合剪枝 | 第42-43页 |
| 3.5 模型压缩 | 第43-46页 |
| 3.5.1 模型转换方法提出 | 第43-44页 |
| 3.5.2 模型转换方法详解 | 第44-46页 |
| 3.6 小结 | 第46-47页 |
| 第四章 图像识别算法实验 | 第47-56页 |
| 4.1 实验验证中所使用的数据集介绍 | 第47-48页 |
| 4.2 加速方法验证 | 第48-50页 |
| 4.3 压缩方法验证 | 第50-51页 |
| 4.4 图像识别模型设计 | 第51-55页 |
| 4.4.1 网络卷积结构设计 | 第51-52页 |
| 4.4.2 网络模型设计 | 第52页 |
| 4.4.3 人眼数据加速设计 | 第52-54页 |
| 4.4.4 cifar100加速设计 | 第54-55页 |
| 4.5 小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60页 |