| 摘要 | 第2-4页 |
| abstract | 第4-5页 |
| 第一章 引言 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 卷积神经网络国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文的研究内容 | 第11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第二章 相关技术概述 | 第13-19页 |
| 2.1 CNN识别原理 | 第13页 |
| 2.2 CNN特征提取 | 第13-15页 |
| 2.2.1 卷积层 | 第13-14页 |
| 2.2.2 降采样层 | 第14页 |
| 2.2.3 全连接层 | 第14-15页 |
| 2.3 Caffe深度学习框架的概述及搭建 | 第15-18页 |
| 2.3.1 Caffe深度学习框架的基本介绍 | 第15页 |
| 2.3.2 Caffe深度学习框架的特征 | 第15页 |
| 2.3.3 Caffe框架搭建所需要的软件 | 第15-16页 |
| 2.3.4 Caffe框架安装步骤 | 第16-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 基于特征整合的VGGNet-CNN草地分类研究 | 第19-30页 |
| 3.1 数据集 | 第19-20页 |
| 3.1.1 研究区域 | 第19页 |
| 3.1.2 数据集 | 第19-20页 |
| 3.2 数据预处理 | 第20-22页 |
| 3.3 面向CNN的特征整合 | 第22-24页 |
| 3.3.1 特征选择 | 第22-23页 |
| 3.3.2 双线性整合 | 第23-24页 |
| 3.4 实验设计 | 第24页 |
| 3.5 实验结果与分析 | 第24-28页 |
| 3.6 本章小结 | 第28-30页 |
| 第四章 基于改进LeNet-5卷积神经网络交通标志的识别 | 第30-38页 |
| 4.1 相关研究 | 第30页 |
| 4.2 LeNet-5网络模型概述 | 第30-32页 |
| 4.3 对卷积神经网络LeNet-5的改进 | 第32-33页 |
| 4.4 实验与分析 | 第33-37页 |
| 4.4.1 实验数据 | 第33页 |
| 4.4.2 实验平台 | 第33-34页 |
| 4.4.3 实验结果与分析 | 第34-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 结语与展望 | 第38-40页 |
| 5.1 总结 | 第38-39页 |
| 5.2 展望 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 在校期间发表论文情况 | 第44-45页 |
| 致谢 | 第45-47页 |