| 摘要 | 第3-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要内容和结构 | 第14-16页 |
| 第二章 相关技术简介 | 第16-25页 |
| 2.1 深度学习概述 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-20页 |
| 2.2.1 卷积神经网络基本理论 | 第17-18页 |
| 2.2.2 卷积神经网络特点 | 第18-19页 |
| 2.2.3 BP学习算法 | 第19-20页 |
| 2.3 递归神经网络 | 第20-23页 |
| 2.3.1 简单递归神经网络 | 第21-22页 |
| 2.3.2 长短期记忆递归神经网络 | 第22-23页 |
| 2.4 基于参数的迁移学习方法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于深度卷积-递归神经网络的手绘草图识别方法 | 第25-35页 |
| 3.1 方法概述 | 第25-26页 |
| 3.2 手绘草图的笔画提取 | 第26页 |
| 3.3 深度卷积神经网络提取图像特征 | 第26-28页 |
| 3.4 递归神经网络构建时序关系 | 第28-29页 |
| 3.5 deep-CRNN-sketch全模型 | 第29页 |
| 3.6 实验设计 | 第29-34页 |
| 3.6.1 实验数据和参数设置 | 第29-31页 |
| 3.6.2 实验结果分析 | 第31-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 基于迁移深度学习融合多粒度草图的手绘草图识别方法 | 第35-47页 |
| 4.1 方法概述 | 第35-36页 |
| 4.2 手绘草图的笔画提取 | 第36-37页 |
| 4.3 源域中的数据和模型 | 第37-38页 |
| 4.4 目标域的数据扩展 | 第38页 |
| 4.5 模型迁移与微调 | 第38-39页 |
| 4.6 sketch-transfer-net全模型 | 第39页 |
| 4.7 实验设计 | 第39-46页 |
| 4.7.1 基本方法对比与评估 | 第39-41页 |
| 4.7.2 不同权值微调策略的对比 | 第41-42页 |
| 4.7.3 数据量的影响 | 第42-43页 |
| 4.7.4 不同融合方式的对比 | 第43-45页 |
| 4.7.5 笔画复杂度的影响 | 第45-46页 |
| 4.8 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-50页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-57页 |
| 致谢 | 第57-59页 |
| 攻读硕士学位期间发表的论文 | 第59-60页 |
| 附录 | 第60-61页 |
| Appendix | 第61-62页 |
