| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状及主要方法 | 第9-15页 |
| 1.2.1 人工设计特征 | 第9-11页 |
| 1.2.2 浅层网络 | 第11-14页 |
| 1.2.3 深度学习方法 | 第14-15页 |
| 1.3 本文研究内容及结构安排 | 第15-17页 |
| 第二章 卷积神经网络的基本理论 | 第17-28页 |
| 2.1 卷积神经网络 | 第17-21页 |
| 2.1.1 卷积层 | 第17-19页 |
| 2.1.2 池化层 | 第19页 |
| 2.1.3 全连接层 | 第19-20页 |
| 2.1.4 分类器 | 第20-21页 |
| 2.2 激活函数 | 第21-23页 |
| 2.3 优化器 | 第23-24页 |
| 2.4 经典DCNN模型 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 改进Softmax结合迁移学习的图像分类方法 | 第28-40页 |
| 3.1 引言 | 第28-29页 |
| 3.2 软饱和与硬饱和 | 第29页 |
| 3.3 迁移学习 | 第29-30页 |
| 3.4 过早饱和探究 | 第30-32页 |
| 3.5 噪声引入Softmax | 第32-33页 |
| 3.6 实验部分 | 第33-37页 |
| 3.6.1 数据集介绍 | 第33-34页 |
| 3.6.2 采用模型 | 第34-35页 |
| 3.6.3 噪声正负探究 | 第35-36页 |
| 3.6.4 噪声系数选取 | 第36-37页 |
| 3.7 预训练模型应用 | 第37-39页 |
| 3.8 本章小结 | 第39-40页 |
| 第四章 卷积神经网络结合BoF模型的图像分类方法 | 第40-51页 |
| 4.1 引言 | 第40页 |
| 4.2 BoF模型 | 第40-41页 |
| 4.3 BoF结合深度卷积网络 | 第41-44页 |
| 4.3.1 特征提取模块 | 第42页 |
| 4.3.2 BoF模块 | 第42-43页 |
| 4.3.3 分类模块 | 第43-44页 |
| 4.4 训练BoCF模型 | 第44页 |
| 4.5 复杂度分析 | 第44-45页 |
| 4.6 实验部分 | 第45-46页 |
| 4.6.1 实验数据集 | 第45-46页 |
| 4.6.2 采用的卷积网络模型 | 第46页 |
| 4.7 实验分析 | 第46-50页 |
| 4.8 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 在读期间研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |