| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-17页 |
| 1.2.1 基于强监督信息的分类算法 | 第12-13页 |
| 1.2.2 基于弱监督信息的分类算法 | 第13-17页 |
| 1.3 本文内容和结构 | 第17-18页 |
| 第二章 深度学习算法介绍 | 第18-29页 |
| 2.1 人工神经网络 | 第18-20页 |
| 2.2 多层人工神经网络 | 第20-22页 |
| 2.3 卷积神经网络 | 第22-28页 |
| 2.3.1 卷积层 | 第23-24页 |
| 2.3.2 池化层 | 第24-25页 |
| 2.3.3 全连接层 | 第25页 |
| 2.3.4 AlexNet网络结构 | 第25-26页 |
| 2.3.5 VGGNET网络结构 | 第26页 |
| 2.3.6 GoogleNet网络结构 | 第26-27页 |
| 2.3.7 ResNet网络结构 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于深度学习的精细图像分类算法 | 第29-40页 |
| 3.1 基于度量学习的分类算法介绍 | 第29-30页 |
| 3.2 改进型的centerloss方法具体实现细节 | 第30-32页 |
| 3.3 实验 | 第32-39页 |
| 3.3.1 深度学习框架对比 | 第32-33页 |
| 3.3.2 实验配置 | 第33-34页 |
| 3.3.3 实验结果 | 第34-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于深度学习的增量学习方法 | 第40-53页 |
| 4.1 基于深度学习的增量学习方法介绍 | 第40-43页 |
| 4.2 REWC方法具体实现细节 | 第43-47页 |
| 4.2.1 EWC方法回顾 | 第43-44页 |
| 4.2.2 REWC具体实现 | 第44-47页 |
| 4.3 实验 | 第47-51页 |
| 4.3.1 实验配置 | 第47-48页 |
| 4.3.2 实验结果 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 食材图像数据库介绍与评测 | 第53-66页 |
| 5.1 精细图像数据库介绍 | 第53-54页 |
| 5.2 食材图像数据库介绍 | 第54-58页 |
| 5.2.1 数据库基本情况介绍 | 第55-56页 |
| 5.2.2 统计分析 | 第56-58页 |
| 5.3 实验 | 第58-65页 |
| 5.3.1 实验配置 | 第58-60页 |
| 5.3.2 实验结果 | 第60-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 附录 | 第73-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |