| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-13页 |
| 1.1 背景与意义 | 第10页 |
| 1.2 国内外进展情况 | 第10-12页 |
| 1.2.1 图像匹配技术 | 第11页 |
| 1.2.2 深度学习的发展 | 第11-12页 |
| 1.3 论文主要内容和组织结构 | 第12-13页 |
| 2 图片匹配相关技术介绍 | 第13-27页 |
| 2.1 特征提取 | 第13-15页 |
| 2.2 感知哈希算法 | 第15-16页 |
| 2.3 深度学习模型 | 第16-24页 |
| 2.3.1 传统人工神经网络 | 第16-17页 |
| 2.3.2 卷积神经网络 | 第17-19页 |
| 2.3.3 深度卷积神经网络VGG_16 | 第19-22页 |
| 2.3.4 AlexNet网络模型 | 第22-23页 |
| 2.3.5 GoogleNet网络模型 | 第23-24页 |
| 2.4 SVD分解 | 第24-25页 |
| 2.5 图片匹配的评价标准 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 图片匹配模型设计 | 第27-43页 |
| 3.1 卷积模型设计 | 第27-34页 |
| 3.1.1 卷积模型的加速方法 | 第27-29页 |
| 3.1.2 卷积神经网络的优化 | 第29-32页 |
| 3.1.3 加速网络卷积层的SVD分解 | 第32-34页 |
| 3.2 实验设计 | 第34-42页 |
| 3.2.1 实验流程 | 第34-36页 |
| 3.2.2 实验中模型的训练过程 | 第36-37页 |
| 3.2.3 实验一:优化卷积模型效果实验 | 第37-38页 |
| 3.2.4 实验二:VGG_16与New_Net、New_SVD_Net效果实验 | 第38-39页 |
| 3.2.5 实验三:Sigmoid/Relu激活函数实验 | 第39-40页 |
| 3.2.6 实验四:Dropout数值选择实验 | 第40-41页 |
| 3.2.7 实验五:感知哈希算法实验 | 第41页 |
| 3.2.8 实验六:数据预清洗实验 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 实验验证 | 第43-58页 |
| 4.1 项目环境的搭建 | 第43-44页 |
| 4.2 训练数据 | 第44页 |
| 4.3 实验结果和分析 | 第44-57页 |
| 4.3.1 优化卷积模型效果结果和分析 | 第45-46页 |
| 4.3.2 VGG_16与New_Net、New_SVD_Net比较结果和分析 | 第46-51页 |
| 4.3.3 Sigmoid/Relu激活函数的比较结果和分析 | 第51-53页 |
| 4.3.4 Dropout数值选择实验结果和分析 | 第53页 |
| 4.3.5 感知哈希算法结果和分析 | 第53-55页 |
| 4.3.6 数据预清洗结果和分析 | 第55-56页 |
| 4.3.7 总结和分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 总结和展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
