| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 常见深度学习方法的概述 | 第15-25页 |
| 2.1 限制性玻尔兹曼机(RBM) | 第16-19页 |
| 2.2 深度信念网络(DBN) | 第19-21页 |
| 2.3 栈式自动编码器(SAE) | 第21-22页 |
| 2.4 降噪自动编码器(DAE) | 第22-25页 |
| 第三章 基于CNN的图像特征提取与可视化 | 第25-41页 |
| 3.1 CNN模型的性质 | 第25-26页 |
| 3.1.1 局部连接(Local-Connectivity) | 第25-26页 |
| 3.1.2 权值共享(Weight-Sharing) | 第26页 |
| 3.1.3 降采样(Sub-Sampling) | 第26页 |
| 3.2 卷积神经网络基本结构 | 第26-30页 |
| 3.2.1 卷积层(Convolution Layer) | 第26-27页 |
| 3.2.2 降采样层(Pooling Layer) | 第27页 |
| 3.2.3 激活函数层(Activation Layer) | 第27-29页 |
| 3.2.4 局部归一化层(Local Normalization Layer) | 第29页 |
| 3.2.5 全连接层(Fully-Connected Layer) | 第29-30页 |
| 3.2.6 防止模型过拟合Dropout | 第30页 |
| 3.3 模型训练 | 第30-33页 |
| 3.3.1 反向传播算法(BP算法) | 第31-32页 |
| 3.3.2 随机梯度下降(Stochastic Gradient,SGD) | 第32-33页 |
| 3.4 模型整体架构 | 第33-35页 |
| 3.5 实验结果与分析 | 第35-40页 |
| 3.5.1 图像预处理 | 第35-36页 |
| 3.5.2 基于CNN特征提取与可视化 | 第36-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于CNN的物体检测和分类 | 第41-59页 |
| 4.1 图像目标检测与分类的架构 | 第41-43页 |
| 4.1.1 区域检测模块 | 第41-42页 |
| 4.1.2 特征提取模块 | 第42页 |
| 4.1.3 分类器模块 | 第42-43页 |
| 4.2 目标检测窗算法 | 第43-47页 |
| 4.2.1 选择性搜索(Selective Search) | 第43-45页 |
| 4.2.2 边缘盒算法(Edge Boxes) | 第45-47页 |
| 4.3 基于卷积神经网络的目标检测与分类 | 第47-52页 |
| 4.3.1 R-CNN模型 | 第48-50页 |
| 4.3.2 R-CNN模型改进 | 第50-52页 |
| 4.4 实验结果和分析 | 第52-59页 |
| 4.4.1 实验分析 | 第53-56页 |
| 4.4.2 真实场景的目标检测结果 | 第56-59页 |
| 第五章 展望与总结 | 第59-61页 |
| 6.1 结论 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
