| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 研究背景及研究意义 | 第14-15页 |
| 1.2 研究现状 | 第15-21页 |
| 1.2.1 单层特征编码 | 第15-16页 |
| 1.2.2 深度学习萌芽 | 第16-17页 |
| 1.2.3 迅速发展的深度卷积网络 | 第17-21页 |
| 1.3 研究内容 | 第21-22页 |
| 1.4 本文工作 | 第22-24页 |
| 1.5 本文结构 | 第24-25页 |
| 第二章 特征学习与分类方法简介 | 第25-46页 |
| 2.1 引言 | 第25页 |
| 2.2 单层特征学习方法研究 | 第25-40页 |
| 2.2.1 受限玻尔兹曼机 | 第26-30页 |
| 2.2.2 自动编码机 | 第30-33页 |
| 2.2.3 稀疏编码 | 第33-39页 |
| 2.2.4 子空间学习 | 第39-40页 |
| 2.3 多层特征学习与分类方法研究 | 第40-45页 |
| 2.3.1 深度置信网 | 第41-42页 |
| 2.3.2 层叠自动编码机 | 第42-43页 |
| 2.3.3 深度卷积网络 | 第43-45页 |
| 2.4 本章小结 | 第45-46页 |
| 第三章 基于流形学习的逐层鉴别式特征学习 | 第46-72页 |
| 3.1 引言 | 第46-48页 |
| 3.2 鉴别式局部配准网络（DLANET） | 第48-55页 |
| 3.2.1 第一DLA层 | 第49-53页 |
| 3.2.2 第二DLA层 | 第53页 |
| 3.2.3 特征层 | 第53-55页 |
| 3.3 基于DLANET特征的场景分类 | 第55-60页 |
| 3.4 实验结果及分析 | 第60-70页 |
| 3.4.1 NYU Depth V1数据库 | 第63-65页 |
| 3.4.2 Scene-15数据库 | 第65-69页 |
| 3.4.3 MIT Indoor-67数据库 | 第69-70页 |
| 3.5 本章小结 | 第70-72页 |
| 第四章 基于最小分类误差准则的深度学习训练方法 | 第72-93页 |
| 4.1 引言 | 第72-73页 |
| 4.2 反向传播：深度神经网络的训练方法 | 第73-79页 |
| 4.2.1 输出层 | 第74-75页 |
| 4.2.2 激活函数 | 第75-76页 |
| 4.2.3 全连接层 | 第76-77页 |
| 4.2.4 卷积层 | 第77-79页 |
| 4.2.5 聚合层 | 第79页 |
| 4.3 基于最小分类误差准则的深度学习训练方法 | 第79-88页 |
| 4.3.1 几种损失函数 | 第80-83页 |
| 4.3.2 最大间隔最小分类误差(M3CE)及其分析 | 第83-88页 |
| 4.4 实验结果及分析 | 第88-92页 |
| 4.4.1 MNIST | 第88-90页 |
| 4.4.2 CIFAR-10 | 第90-92页 |
| 4.5 本章小结 | 第92-93页 |
| 第五章 面向多语言文本行分类的多任务深度卷积网络 | 第93-114页 |
| 5.1 引言 | 第93-98页 |
| 5.2 基于文本行输入的深度卷积网络 | 第98-102页 |
| 5.2.1 文本行输入方式 | 第98-100页 |
| 5.2.2 文本行图像扩充策略 | 第100-102页 |
| 5.3 两阶段多任务深度卷积网络 | 第102-107页 |
| 5.3.1 目标表达 | 第102页 |
| 5.3.2 SN-CNN的训练策略 | 第102-106页 |
| 5.3.3 网络结构 | 第106-107页 |
| 5.4 实验结果及分析 | 第107-112页 |
| 5.4.1 数据库 | 第107-108页 |
| 5.4.2 实验设置 | 第108页 |
| 5.4.3 单任务结果 | 第108-112页 |
| 5.4.4 多任务结果 | 第112页 |
| 5.5 本章小结 | 第112-114页 |
| 结论 | 第114-117页 |
| 参考文献 | 第117-133页 |
| 攻读博士学位期间取得的研究成果 | 第133-136页 |
| 致谢 | 第136-137页 |
| 附表 | 第137页 |