一种基于深度神经网络的迁移学习方法
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景及研究目的和意义 | 第11-12页 |
| 1.2 国内外研究现状与分析 | 第12-14页 |
| 1.2.1 迁移学习技术的研究进展 | 第12-13页 |
| 1.2.2 深度迁移学习技术的研究进展 | 第13-14页 |
| 1.2.3 目前方法存在的问题 | 第14页 |
| 1.3 研究内容和组织结构 | 第14-16页 |
| 第2章 迁移学习与深度学习简介 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 迁移学习技术的基本概念与标记 | 第16-17页 |
| 2.3 迁移学习技术的分类 | 第17-19页 |
| 2.4 度量准则 | 第19-22页 |
| 2.4.1 几种常见距离 | 第19-20页 |
| 2.4.2 相似度 | 第20-21页 |
| 2.4.3 KL散度与JS距离 | 第21页 |
| 2.4.4 最大均值差异 | 第21页 |
| 2.4.5 主角度 | 第21-22页 |
| 2.5 常用数据集 | 第22-23页 |
| 2.5.1 手写数字 | 第22页 |
| 2.5.2 目标识别 | 第22-23页 |
| 2.6 T-SNE降维 | 第23-24页 |
| 2.7 常用的激活函数 | 第24-28页 |
| 2.7.1 sigmoid函数 | 第25页 |
| 2.7.2 tanh函数 | 第25-26页 |
| 2.7.3 ReLU函数 | 第26-27页 |
| 2.7.4 LeaklyReLU函数 | 第27-28页 |
| 2.8 常用的深度网络结构 | 第28-29页 |
| 2.8.1 卷积层 | 第28页 |
| 2.8.2 池化层 | 第28-29页 |
| 2.8.3 全连接层 | 第29页 |
| 2.8.4 softmax层 | 第29页 |
| 2.9 本章小结 | 第29-30页 |
| 第3章 基于深度适配网络的迁移学习 | 第30-39页 |
| 3.1 引言 | 第30页 |
| 3.2 深度神经网络的可迁移性简介 | 第30-32页 |
| 3.3 深度适配网络 | 第32-37页 |
| 3.3.1 基本结构 | 第32-33页 |
| 3.3.2 权值初始化方法 | 第33页 |
| 3.3.3 迁移方法 | 第33-35页 |
| 3.3.4 优化方法 | 第35-36页 |
| 3.3.5 实验与结果分析 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于对抗网络的迁移学习 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 生成对抗网络 | 第39-42页 |
| 4.3 胶囊网络 | 第42-46页 |
| 4.3.1 胶囊网络简介 | 第42-45页 |
| 4.3.2 损失函数 | 第45页 |
| 4.3.3 胶囊网络结构 | 第45-46页 |
| 4.4 深度对抗迁移网络 | 第46-50页 |
| 4.4.1 模型介绍 | 第46-47页 |
| 4.4.2 优化方法 | 第47-48页 |
| 4.4.3 与胶囊网络相结合 | 第48-49页 |
| 4.4.4 实验与结果分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58页 |
