| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景与意义 | 第17-18页 |
| 1.1.1 研究背景 | 第17-18页 |
| 1.1.2 研究意义 | 第18页 |
| 1.2 国内外研究现状 | 第18-20页 |
| 1.3 目前存在的问题 | 第20-21页 |
| 1.4 主要工作与全文结构 | 第21-23页 |
| 第二章 卷积神经网络 | 第23-41页 |
| 2.1 卷积神经网络概述 | 第23页 |
| 2.2 卷积神经网络的工作原理 | 第23-31页 |
| 2.2.1 卷积核与特征提取 | 第23-26页 |
| 2.2.2 卷积层 | 第26-27页 |
| 2.2.3 池化 | 第27-28页 |
| 2.2.4 图像分类器 | 第28-31页 |
| 2.3 常见结构 | 第31-34页 |
| 2.4 卷积神经网络的改进 | 第34-39页 |
| 2.4.1 数据增强 | 第34-35页 |
| 2.4.2 激活函数的选择 | 第35-37页 |
| 2.4.3 其他方式 | 第37-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第三章 基于高斯尺度空间的卷积神经网络 | 第41-61页 |
| 3.1 卷积神经网络的特性 | 第41-44页 |
| 3.1.1 CNN对输入的鲁棒性 | 第41-42页 |
| 3.1.2 卷积核的尺寸失配 | 第42-43页 |
| 3.1.3 尺度空间理论 | 第43-44页 |
| 3.2 尺度空间的生成 | 第44-46页 |
| 3.3 高斯尺度空间卷积神经网络GSS-CNN | 第46-54页 |
| 3.3.1 GSS-CNN思想 | 第46-47页 |
| 3.3.2 GSS-CNN原理 | 第47-50页 |
| 3.3.3 其他GSS-CNN模型 | 第50-51页 |
| 3.3.4 GSS-CNN的数据集 | 第51-52页 |
| 3.3.5 GSS-CNN训练 | 第52-54页 |
| 3.4 实验 | 第54-59页 |
| 3.4.1 GSS-CNN多通道有效性 | 第54-56页 |
| 3.4.2 GSS-CNN通道数分析 | 第56-58页 |
| 3.4.3 GSS-CNN尺度变化耐受度 | 第58-59页 |
| 3.5 实验结果分析 | 第59-60页 |
| 3.6 本章小结 | 第60-61页 |
| 第四章 基于Stacking集成策略的GSS-CNN | 第61-75页 |
| 4.1 集成学习概述 | 第61-65页 |
| 4.1.1 集成学习概念 | 第61-62页 |
| 4.1.2 集成策略 | 第62-63页 |
| 4.1.3 集成学习算法 | 第63-65页 |
| 4.2 Stacking集成策略 | 第65-68页 |
| 4.3 Stacking集成的GSS-CNN | 第68-70页 |
| 4.3.1 Stacking集成的GSS-CNN概述 | 第68-69页 |
| 4.3.2 MLR次学习器 | 第69-70页 |
| 4.4 Stacking集成的GSS-CNN设计与实现 | 第70-72页 |
| 4.4.1 Stacking集成的GSS-CNN设计 | 第70-71页 |
| 4.4.2 Stacking集成的GSS-CNN实现 | 第71-72页 |
| 4.5 图像分类实验及结果分析 | 第72-74页 |
| 4.6 本章小结 | 第74-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 全文工作总结 | 第75-76页 |
| 5.2 未来研究展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
