| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-18页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 深度学习研究概述 | 第13-15页 |
| 1.3 国内外研究现状 | 第15-16页 |
| 1.4 本文研究的主要内容 | 第16-18页 |
| 2 传统图像分类算法 | 第18-24页 |
| 2.1 图像分类技术 | 第18-19页 |
| 2.2 传统图像分类算法 | 第19-23页 |
| 2.2.1 KNN算法 | 第19-20页 |
| 2.2.2 SVM算法 | 第20-22页 |
| 2.2.3 HOG算法 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 深度学习 | 第24-34页 |
| 3.1 深度学习 | 第24-26页 |
| 3.2 常用的深度学习模型 | 第26-33页 |
| 3.2.1 栈式自动编码器 | 第26-28页 |
| 3.2.2 深度信念网络 | 第28-30页 |
| 3.2.3 卷积神经网络 | 第30-31页 |
| 3.2.4 循环神经网络 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 基于Inception架构的Cnn图像分类实验 | 第34-56页 |
| 4.1 卷积神经网络的结构 | 第34-38页 |
| 4.1.1 卷积层 | 第34-37页 |
| 4.1.2 池化层 | 第37-38页 |
| 4.2 CNN的优化 | 第38-41页 |
| 4.2.1 正则化—Dropout | 第39-40页 |
| 4.2.2 参数优化—Adam算法 | 第40-41页 |
| 4.3 模型架构优化 | 第41-46页 |
| 4.3.1 TensorFlow | 第43-44页 |
| 4.3.2 Mnist数据集 | 第44-46页 |
| 4.4 迁移学习 | 第46-47页 |
| 4.5 基于MNIST数据集的图像分类实验 | 第47-50页 |
| 4.6 基于ImageNet数据集的图像分类实验 | 第50-55页 |
| 4.7 本章小结 | 第55-56页 |
| 5 基于R-FCN的混合深度学习模型 | 第56-64页 |
| 5.1 R-CNN | 第56-58页 |
| 5.2 SPP-Net | 第58-60页 |
| 5.3 R-FCN | 第60-61页 |
| 5.4 基于ImageNet数据集的图像分类实验 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-68页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 作者简介及读研期间主要科研成果 | 第76-77页 |