自然图像识别的集成迁移学习方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及方向 | 第12-15页 |
| 1.3 论文工作及结构 | 第15-16页 |
| 第2章 神经网络概述 | 第16-26页 |
| 2.1 神经网络基础 | 第16-17页 |
| 2.2 BP算法 | 第17-20页 |
| 2.2.1 BP神经网络结构 | 第17-18页 |
| 2.2.2 正向传播与反向传播 | 第18-20页 |
| 2.3 卷积神经网络 | 第20-25页 |
| 2.3.1 卷积层 | 第20-23页 |
| 2.3.1.1 卷积运算 | 第21页 |
| 2.3.1.2 激活函数 | 第21-23页 |
| 2.3.2 池化层 | 第23页 |
| 2.3.3 全连接层 | 第23-24页 |
| 2.3.4 softmax回归层 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 CNN图像识别方法 | 第26-37页 |
| 3.1 LeNet | 第26-27页 |
| 3.2 AlexNet | 第27-29页 |
| 3.3 VGGNet | 第29-32页 |
| 3.4 CNN训练方法 | 第32-36页 |
| 3.4.1 数据增强技术 | 第32-34页 |
| 3.4.2 权值共享 | 第34页 |
| 3.4.3 dropout技术 | 第34-35页 |
| 3.4.4 ReLU与局部响应归一化 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 自然图像识别的集成迁移学习方法 | 第37-49页 |
| 4.1 迁移学习 | 第37-40页 |
| 4.1.1 迁移学习分类 | 第38-39页 |
| 4.1.2 基于权重参数迁移学习的图像识别方法 | 第39-40页 |
| 4.2 集成学习 | 第40-42页 |
| 4.2.1 Boosting | 第40-41页 |
| 4.2.2 Bagging | 第41-42页 |
| 4.3 集成迁移学习方法 | 第42-43页 |
| 4.4 实验结果及分析 | 第43-48页 |
| 4.4.1 硬件环境和实验平台介绍 | 第43-45页 |
| 4.4.2 实验过程及实验结果分析 | 第45-48页 |
| 4.4.2.1 实验数据集 | 第45页 |
| 4.4.2.2 实验过程 | 第45-46页 |
| 4.4.2.3 实验结果分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 本文工作总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 作者简介及在学期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
