首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

特征池化:一种用于CNN的特征选择方法

摘要第5-6页
ABSTRACT第6-7页
符号对照表第11-12页
缩略语对照表第12-15页
第一章 绪论第15-23页
    1.1 研究背景第15-18页
    1.2 国内外研究现状第18-20页
    1.3 研究目标与研究内容第20页
    1.4 论文的组织结构第20-23页
第二章 相关理论与技术第23-37页
    2.1 卷积神经网络第23-27页
    2.2 图像分类第27-31页
    2.3 图像去噪第31-33页
    2.4 图像风格化第33-36页
    2.5 本章小结第36-37页
第三章 特征池化新方法第37-47页
    3.1 传统特征选择方法分析第37-38页
    3.2 特征池化新方法第38-43页
        3.2.1 特征池化设计思路第38-39页
        3.2.2 特征池化算法介绍第39-41页
        3.2.3 特征池化具体实现第41-43页
    3.3 特征池化可行性分析第43-45页
        3.3.1 分类模型第43-44页
        3.3.2 实验结果第44-45页
    3.4 本章小结第45-47页
第四章 特征池化实验第47-61页
    4.1 图像去噪实验第47-52页
        4.1.1 数据集第47页
        4.1.2 模型和参数设定第47-50页
        4.1.3 实验结果第50-52页
    4.2 图像分类实验第52-55页
        4.2.1 数据集第52-53页
        4.2.2 模型和参数设定第53-54页
        4.2.3 实验结果第54-55页
    4.3 图像风格化实验第55-59页
        4.3.1 模型第55-57页
        4.3.2 实验结果第57-59页
    4.4 本章小结第59-61页
第五章 实验讨论与分析第61-67页
    5.1 与相似理论的比较第61-62页
    5.2 特征池化的有效性第62-64页
    5.3 特征池化对数据的影响第64-65页
    5.4 特征池化的局限性第65-66页
    5.5 本章小结第66-67页
第六章 总结与展望第67-69页
    6.1 本文总结第67-68页
    6.2 未来工作展望第68-69页
参考文献第69-75页
致谢第75-77页
作者简介第77-78页

论文共78页,点击 下载论文
上一篇:基于深度学习的车辆跟踪的研究
下一篇:基于ARM处理器的TLD目标跟踪算法实现和优化