深度学习在图像识别中的应用与算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状及进展 | 第10-12页 |
| 1.3 论文主要工作 | 第12页 |
| 1.4 论文的组织结构 | 第12-15页 |
| 第二章 深度学习相关理论知识 | 第15-29页 |
| 2.1 深度学习概述 | 第15-19页 |
| 2.1.1 浅层学习与深度学习 | 第15-16页 |
| 2.1.2 深度学习的无监督学习与有监督学习 | 第16-17页 |
| 2.1.3 深度学习分类算法 | 第17-19页 |
| 2.2 深度学习算法介绍 | 第19-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第三章 基于堆叠去噪自动编码器的算法改进 | 第29-47页 |
| 3.1 图像的低层特征与深层特征 | 第29页 |
| 3.2 堆叠去噪自动编码器的图像识别 | 第29-30页 |
| 3.3 基于堆叠去噪自动编码器算法的改进 | 第30-37页 |
| 3.4 实验结果与讨论 | 第37-46页 |
| 3.4.1 不同破坏率对实验结果影响 | 第38-40页 |
| 3.4.2 隐含层不同单元数目的实验结果 | 第40-42页 |
| 3.4.3 隐含层层数不同的实验结果 | 第42-44页 |
| 3.4.4 改进的优化算法的实验结果 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 深度学习结构确定方案 | 第47-59页 |
| 4.1 引言 | 第47-48页 |
| 4.2 深度学习隐含层结构确定方案 | 第48-56页 |
| 4.2.1 基于权阈参数变量结构确定法 | 第48-51页 |
| 4.2.2 基于黄金分割原理的网络结构确定法 | 第51-52页 |
| 4.2.3 基于网络节点敏感度的结构确定法 | 第52-55页 |
| 4.2.4 基于卷积网络金子塔结构确定法 | 第55-56页 |
| 4.3 实验部分 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间发表的学术论文 | 第69页 |
