基于增强特征CNN模型的食材图像分类算法研究与设计
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 卷积神经网络的研究现状 | 第15-16页 |
| 1.2.2 深度残差神经网络的研究现状 | 第16-17页 |
| 1.3 论文研究内容 | 第17-18页 |
| 1.4 论文组织安排 | 第18-19页 |
| 第2章 图像识别相关技术 | 第19-32页 |
| 2.1 深度神经网络中的梯度下降和反向传播 | 第19-25页 |
| 2.1.1 梯度下降算法 | 第20-21页 |
| 2.1.2 反向传播算法 | 第21-25页 |
| 2.2 图像分类关键技术的研究 | 第25-30页 |
| 2.2.1 图像特征提取 | 第26页 |
| 2.2.2 卷积神经网络的架构 | 第26-28页 |
| 2.2.3 卷积层的研究 | 第28-30页 |
| 2.3 深度学习框架Caffe简介 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 食材图像数据采集与预处理 | 第32-37页 |
| 3.1 食材图像收集 | 第32-33页 |
| 3.2 类别数据集的整理 | 第33-34页 |
| 3.2.1 数据预处理 | 第33-34页 |
| 3.2.2 人工清洗 | 第34页 |
| 3.3 订单和重量特征的整理 | 第34-36页 |
| 3.3.1 餐厅收货的订单和重量 | 第34-35页 |
| 3.3.2 订单数据集和重量数据集 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 订单特征深度CNN研究 | 第37-45页 |
| 4.1 订单特征深度CNN模型 | 第37-42页 |
| 4.1.1 ResNet的网络架构 | 第37-39页 |
| 4.1.2 基于订单特征ResNet模型 | 第39-42页 |
| 4.2 实验和结果分析 | 第42-44页 |
| 4.2.1 实验设计和模型的训练 | 第42-43页 |
| 4.2.2 实验结果分析 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 增强特征深度CNN研究 | 第45-50页 |
| 5.1 基于增强特征的深度CNN模型 | 第45-46页 |
| 5.2 实验结果分析 | 第46-49页 |
| 5.2.1 实验设计 | 第47-48页 |
| 5.2.2 实验结果分析 | 第48-49页 |
| 5.3 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 附录A 攻读学位期间所发表的成果 | 第57-58页 |
| 附录B 攻读学位期间参与的研究项目 | 第58-59页 |
| 致谢 | 第59页 |
