| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 论文组织 | 第15-17页 |
| 第二章 深度卷积神经网络模型压缩方法研究 | 第17-29页 |
| 2.1 深度卷积神经网络 | 第17-19页 |
| 2.1.1 神经元 | 第17页 |
| 2.1.2 多层感知器 | 第17-18页 |
| 2.1.3 卷积神经网络 | 第18-19页 |
| 2.2 剪枝方法研究 | 第19-20页 |
| 2.3 重复剪枝方法研究 | 第20-24页 |
| 2.3.1 神经网络权重分布 | 第20-22页 |
| 2.3.2 重复剪枝方法 | 第22-24页 |
| 2.4 实验验证 | 第24-28页 |
| 2.4.1 权重变化实验结果 | 第24-25页 |
| 2.4.2 对比实验结果 | 第25-27页 |
| 2.4.3 实验结论 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于稀疏矩阵运算的卷积优化方法研究 | 第29-39页 |
| 3.1 卷积神经网络中的卷积计算 | 第29-32页 |
| 3.1.1 特征的提取与表达 | 第30-31页 |
| 3.1.2 卷积计算 | 第31-32页 |
| 3.2 神经网络中的网络稀疏化方法研究 | 第32-34页 |
| 3.2.1 ReLU激活函数研究 | 第32-33页 |
| 3.2.2 参数范数正则化方法研究 | 第33-34页 |
| 3.3 神经网络中的卷积优化方法研究 | 第34-38页 |
| 3.3.1 稀疏矩阵的表达 | 第34-35页 |
| 3.3.2 稀疏矩阵运算 | 第35-36页 |
| 3.3.3 神经网络中的卷积优化方法研究 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于神经网络的目标物体捕捉应用的设计与实现 | 第39-61页 |
| 4.1 应用总体设计 | 第39-40页 |
| 4.2 应用详细设计 | 第40-52页 |
| 4.2.1 目标物体名称获取模块的设计 | 第40-44页 |
| 4.2.2 待检测区域像素信息获取模块的设计 | 第44-45页 |
| 4.2.3 物体识别模块的设计 | 第45-49页 |
| 4.2.4 捕捉结果处理模块的设计 | 第49-52页 |
| 4.3 应用的实现 | 第52-56页 |
| 4.3.1 目标物体名称获取模块的实现 | 第52-54页 |
| 4.3.2 待检测区域像素信息获取模块的实现 | 第54页 |
| 4.3.3 物体识别模块的实现 | 第54-55页 |
| 4.3.4 捕捉结果处理模块的实现 | 第55-56页 |
| 4.4 应用的测试及评估 | 第56-60页 |
| 4.4.1 测评目标 | 第56页 |
| 4.4.2 测评环境 | 第56页 |
| 4.4.3 功能测评 | 第56-59页 |
| 4.4.4 性能测评 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 结束语 | 第61-63页 |
| 5.1 论文相关工作总结 | 第61页 |
| 5.2 不足与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 作者攻读学位期间发表的学术论文目录 | 第68页 |