| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 目标识别的研究现状 | 第13-14页 |
| 1.2.2 卷积神经网络在目标识别领域的研究现状 | 第14-15页 |
| 1.2.3 深度学习在目标识别领域的应用现状 | 第15-17页 |
| 1.3 论文的组织结构 | 第17-19页 |
| 第2章 分层计算感知与仿脑计算 | 第19-32页 |
| 2.1 生物视觉感知系统 | 第19-22页 |
| 2.1.1 视网膜拓扑映射 | 第19-20页 |
| 2.1.2 视皮层的腹部通路 | 第20-22页 |
| 2.1.3 生物视觉感知的重要机制 | 第22页 |
| 2.2 分层计算感知 | 第22-27页 |
| 2.2.1 人工神经网络 | 第23-24页 |
| 2.2.2 反向传播算法 | 第24-25页 |
| 2.2.3 Wake-Sleep算法 | 第25-27页 |
| 2.3 分层计算感知的特征表示 | 第27-29页 |
| 2.3.1 浅层特征表示 | 第27-29页 |
| 2.3.2 深层特征表示 | 第29页 |
| 2.4 仿脑计算的优势和面临的困难 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于视神经层次结构的IH-CNN模型 | 第32-44页 |
| 3.1 稀疏特性的构建方式 | 第32-33页 |
| 3.1.1 局部感知 | 第32-33页 |
| 3.1.2 参数共享 | 第33页 |
| 3.1.3 多核卷积 | 第33页 |
| 3.2 卷积神经网络 | 第33-36页 |
| 3.2.1 卷积层 | 第33-34页 |
| 3.2.2 池化层 | 第34-35页 |
| 3.2.3 传统卷积神经网络模型 | 第35-36页 |
| 3.3 基于视神经层次结构的IH-CNN框架 | 第36-43页 |
| 3.3.1 基于随机策略的池化层的构建 | 第36-38页 |
| 3.3.2 基于视觉感知侧抑制的归一化层的构建 | 第38页 |
| 3.3.3 模拟下颞叶的回归模型的构建 | 第38-39页 |
| 3.3.4 基于视神经层次结构改进的IH-CNN框架 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 生物视觉特征感知模拟 | 第44-60页 |
| 4.1 初级视觉特征感知的模拟 | 第44-48页 |
| 4.1.1 Gabor小波变换 | 第44-45页 |
| 4.1.2 多通道Gabor小波滤波器 | 第45-48页 |
| 4.2 中级视觉特征感知的模拟 | 第48-50页 |
| 4.2.1 修正线性单元 | 第48-49页 |
| 4.2.2 修正非线性单元 | 第49-50页 |
| 4.3 高级视觉特征感知的模拟 | 第50-54页 |
| 4.3.1 空间金字塔池化思想 | 第51-52页 |
| 4.3.2 空间金字塔池化算法 | 第52-54页 |
| 4.4 视觉特征感知决策的模拟 | 第54-58页 |
| 4.4.1 加入随机Dropout方法的全连接层的构建 | 第54-56页 |
| 4.4.2 加入随机DropConnect方法的全连接层的构建 | 第56-57页 |
| 4.4.3 加入正则化项的Softmax回归模型的构建 | 第57-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第5章 基于IH-CNN的分层计算感知模拟模型 | 第60-71页 |
| 5.1 HCPS模型的网络结构设计 | 第60-63页 |
| 5.2 HCPS模型的网络训练方法 | 第63页 |
| 5.3 HCPS模型的实验与分析 | 第63-69页 |
| 5.3.1 基于NORB数据集的训练 | 第63-64页 |
| 5.3.2 与经典模型比较 | 第64-65页 |
| 5.3.3 基于Caltech-101 数据集的训练 | 第65-69页 |
| 5.3.4 与经典模型比较 | 第69页 |
| 5.4 结果分析 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
