| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-9页 |
| 1.1 研究背景和研究意义 | 第7页 |
| 1.2 本文研究目标和创新点 | 第7-8页 |
| 1.3 本文安排和组织 | 第8-9页 |
| 第二章 本文相关知识 | 第9-19页 |
| 2.1 神经网络发展历程 | 第9页 |
| 2.2 深度卷积神经网络的发展及应用 | 第9-10页 |
| 2.3 迁移学习 | 第10-11页 |
| 2.3.1 迁移学习的概念 | 第10页 |
| 2.3.2 迁移学习的分类 | 第10-11页 |
| 2.4 图像分类识别的应用 | 第11页 |
| 2.5 CNN具体介绍 | 第11-16页 |
| 2.5.1 CNN简介 | 第11-12页 |
| 2.5.2 CNN结构 | 第12-16页 |
| 2.6 小样本数据集在卷积神经网络中的微调 | 第16-19页 |
| 2.6.1 正则化 | 第16-17页 |
| 2.6.2 优化方法 | 第17页 |
| 2.6.3 拓展训练集 | 第17页 |
| 2.6.4 使用合适的激活函数 | 第17-18页 |
| 2.6.5 增加神经网络层数 | 第18页 |
| 2.6.6 选用合适的目标函数 | 第18-19页 |
| 第三章 VGG6在Food-101上的实证分析 | 第19-28页 |
| 3.1 常用的图像分类CNN模型 | 第19-22页 |
| 3.1.1 Le Net | 第19页 |
| 3.1.2 Alex Net | 第19-20页 |
| 3.1.3 VGG16 模型介绍 | 第20-21页 |
| 3.1.4 基于迁移学习的VGG16 | 第21-22页 |
| 3.1.5 VGG6 | 第22页 |
| 3.2 本文数据运行环境介绍 | 第22-23页 |
| 3.3 Food-101 上的分类研究 | 第23-28页 |
| 3.3.1 数据集Food-101 介绍 | 第23-24页 |
| 3.3.2 各模型在Food-101 实证分析结果 | 第24-25页 |
| 3.3.3 VGG6+SGD+M+N+Dropout+Reglarlizer分类预测 | 第25-28页 |
| 第四章 17 Category Flower Dataset上的实证分析 | 第28-32页 |
| 4.1 各模型在 17 Category Flower Dataset上的分类研究 | 第28-30页 |
| 4.1.1 17 Category Flower Dataset概括 | 第28页 |
| 4.1.2 17 Category Flower Dataset的分类结果 | 第28-30页 |
| 4.2 VGG6+SGD+M+N+Dropout 分类预测 | 第30-32页 |
| 第五章 结论和展望 | 第32-33页 |
| 5.1 结论 | 第32页 |
| 5.2 展望 | 第32-33页 |
| 参考文献 | 第33-35页 |
| 致谢 | 第35页 |
