基于深度学习的移动端图像识别算法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的研究内容与贡献 | 第14-17页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 主要贡献 | 第14-15页 |
| 1.3.3 论文组织结构 | 第15-17页 |
| 第二章 基于深度学习的模型压缩技术概述 | 第17-29页 |
| 2.1 前言 | 第17页 |
| 2.2 基于深度学习的模型压缩技术 | 第17-26页 |
| 2.2.1 模型修剪 | 第18-19页 |
| 2.2.2 矩阵/张量分解 | 第19-21页 |
| 2.2.3 模型量化/多值化 | 第21-22页 |
| 2.2.4 浅层网络 | 第22-25页 |
| 2.2.5 其他方法 | 第25-26页 |
| 2.3 本章小结 | 第26-29页 |
| 第三章 改进用于移动端的模型压缩算法 | 第29-37页 |
| 3.1 前言 | 第29页 |
| 3.2 改进基于预训练模型的压缩算法 | 第29-36页 |
| 3.2.1 不同方式的参数修剪 | 第29-31页 |
| 3.2.2 非线性分段稀疏化方案 | 第31-33页 |
| 3.2.3 均匀量化编码 | 第33-35页 |
| 3.2.4 稀疏存储 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 用于移动端的轻量级卷积神经网络的设计 | 第37-57页 |
| 4.1 前言 | 第37页 |
| 4.2 卷积神经网络基础 | 第37-46页 |
| 4.2.1 神经网络 | 第37-39页 |
| 4.2.2 数据集及数据增强 | 第39-40页 |
| 4.2.3 参数初始化 | 第40-42页 |
| 4.2.4 常用层结构 | 第42-46页 |
| 4.3 常用CNN网络结构 | 第46-52页 |
| 4.3.1 Inception系列 | 第46-49页 |
| 4.3.2 ResNet系列 | 第49-52页 |
| 4.4 设计轻量级的卷积神经网络结构 | 第52-55页 |
| 4.4.1 轻量结构的设计 | 第52-53页 |
| 4.4.2 提升网络性能的设计 | 第53页 |
| 4.4.3 改进后的网络结构 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 实验结果与分析 | 第57-65页 |
| 5.1 相关数据集及实验环境 | 第57-58页 |
| 5.1.1 数据集 | 第57页 |
| 5.1.2 实验环境 | 第57-58页 |
| 5.2 模型压缩相关实验 | 第58-61页 |
| 5.2.1 非线性修剪对精度损失的影响 | 第58-60页 |
| 5.2.2 非线性修剪对最大稀疏比的影响 | 第60页 |
| 5.2.3 均匀量化的效果 | 第60-61页 |
| 5.2.4 ARM平台上的实测结果 | 第61页 |
| 5.3 轻量网络相关实验 | 第61-64页 |
| 5.3.1 轻量网络的的训练配置及效果 | 第62-63页 |
| 5.3.2 相关领域模型结果对比 | 第63-64页 |
| 5.3.3 ARM平台上的实测效果 | 第64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65页 |
| 6.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间发表的学术论文目录 | 第75页 |
