基于卷积神经网络的图像特征提取算法与图像分类问题研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第7-15页 |
| 1.1 图像分类研究背景与意义 | 第7-9页 |
| 1.2 深度学习的研究历史与现状 | 第9-10页 |
| 1.3 深度学习平台与图像数据集调研 | 第10-13页 |
| 1.3.1 深度学习框架与平台 | 第11-12页 |
| 1.3.2 图像数据集 | 第12-13页 |
| 1.4 本文结构 | 第13-15页 |
| 第2章 神经网络与卷积神经网络技术综述 | 第15-32页 |
| 2.1 感知器 | 第15-16页 |
| 2.2 前馈神经网络 | 第16-23页 |
| 2.2.1 模型结构 | 第16-17页 |
| 2.2.2 激活函数 | 第17-18页 |
| 2.2.3 训练方法 | 第18-23页 |
| 2.3 卷积神经网络 | 第23-32页 |
| 2.3.1 模型结构 | 第23-24页 |
| 2.3.2 卷积核 | 第24页 |
| 2.3.3 卷积层 | 第24-26页 |
| 2.3.4 池化层 | 第26页 |
| 2.3.5 训练方法 | 第26-30页 |
| 2.3.6 卷积核可视化 | 第30-32页 |
| 第3章 无监督学习卷积核生成方法 | 第32-47页 |
| 3.1 自动编码器网络 | 第32-38页 |
| 3.1.1 模型结构 | 第32-33页 |
| 3.1.2 特征提取器的训练及可视化 | 第33-35页 |
| 3.1.3 稀疏自动编码器网络 | 第35-36页 |
| 3.1.4 自动编码器网络的扩展 | 第36-38页 |
| 3.2 深度置信网络 | 第38-47页 |
| 3.2.1 限制玻尔兹曼机 | 第39-40页 |
| 3.2.2 模型参数梯度计算 | 第40-42页 |
| 3.2.3 吉布斯采样与对比散度学习方法 | 第42-44页 |
| 3.2.4 深度置信网络的训练 | 第44-45页 |
| 3.2.5 参数可视化 | 第45-47页 |
| 第4章 基于主成分分析的卷积核生成方法 | 第47-61页 |
| 4.1 主成分分析 | 第47-50页 |
| 4.1.1 主成分向量计算 | 第47-48页 |
| 4.1.2 数据降维与恢复 | 第48-49页 |
| 4.1.3 主成分向量可视化 | 第49-50页 |
| 4.2 PCANet | 第50-55页 |
| 4.2.1 第一PCA卷积层 | 第52-53页 |
| 4.2.2 第二PCA卷积层 | 第53-54页 |
| 4.2.3 输出层 | 第54-55页 |
| 4.2.4 卷积核可视化 | 第55页 |
| 4.3 聚类PCA网络 | 第55-61页 |
| 4.3.1 K-means聚类方法 | 第56-57页 |
| 4.3.2 图像片聚类 | 第57-58页 |
| 4.3.3 过完备词典与自适应选择卷积核 | 第58-61页 |
| 第5章 图像分类实验 | 第61-67页 |
| 5.1 MNIST数据集实验 | 第61-63页 |
| 5.2 CIFAR 10数据集实验 | 第63-67页 |
| 第6章 总结与展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 在学期间的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
