卷积神经网络在车标识别技术中的研究及其小样本下的处理策略
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车标识别技术研究现状 | 第10-12页 |
| 1.2.2 深度学习研究现状 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13-14页 |
| 1.4 本文内容安排 | 第14-16页 |
| 第二章 人工神经网络与卷积神经网络 | 第16-32页 |
| 2.1 人工神经网络 | 第16-24页 |
| 2.1.1 基本神经元 | 第16-18页 |
| 2.1.2 感知机模型 | 第18-20页 |
| 2.1.3 前向神经网络 | 第20-21页 |
| 2.1.4 多层前向神经网络的误差反向传播算法 | 第21-24页 |
| 2.2 卷积神经网络 | 第24-31页 |
| 2.2.1 稀疏连接和权值共享 | 第25-26页 |
| 2.2.2 卷积神经网络结构 | 第26-28页 |
| 2.2.3 卷积神经网络的训练算法 | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 卷积神经网络在车标识别中的应用 | 第32-41页 |
| 3.1 车标卷积神经网络结构 | 第32-34页 |
| 3.2 车标卷积神经网络参数 | 第34-35页 |
| 3.3 实验与结果 | 第35-40页 |
| 3.3.1 车标样本数据集 | 第35-36页 |
| 3.3.2 实验步骤 | 第36-38页 |
| 3.3.3 实验结果 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 卷积神经网络在小样本下的处理策略 | 第41-57页 |
| 4.1 基于扰动的样本的扩充 | 第41-47页 |
| 4.1.1 基于加噪和几何变换的扰动方法 | 第42-44页 |
| 4.1.2 基于特征子空间的扰动方法 | 第44-47页 |
| 4.2 网络结构调整 | 第47-51页 |
| 4.2.1 卷积核大小调整 | 第47-49页 |
| 4.2.2 网络规模的调整 | 第49-51页 |
| 4.3 迁移学习 | 第51-56页 |
| 4.3.1 MNIST手写数字数据集 | 第52-53页 |
| 4.3.2 应用迁移学习的车标卷积神经网络 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结和展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
