| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外发展现状和发展趋势 | 第14-18页 |
| 1.3 本文主要工作及结构安排 | 第18-21页 |
| 第二章 基础理论和工具 | 第21-33页 |
| 2.1 人工神经网络 | 第21-24页 |
| 2.1.1 人工神经网络结构 | 第21-23页 |
| 2.1.2 前馈神经网络 | 第23页 |
| 2.1.3 BP算法 | 第23-24页 |
| 2.2 卷积神经网络 | 第24-26页 |
| 2.3 卷积神经网络中常用层介绍 | 第26-30页 |
| 2.3.1 卷积层 | 第26-27页 |
| 2.3.2 Pooling层 | 第27-29页 |
| 2.3.3 ReLU层 | 第29页 |
| 2.3.4 Dropout层 | 第29页 |
| 2.3.5 全连接层 | 第29-30页 |
| 2.3.6 损失层 | 第30页 |
| 2.4 Caffe深度学习框架 | 第30-33页 |
| 第三章 方法和实验结果 | 第33-49页 |
| 3.1 本章概述 | 第33-34页 |
| 3.2 数据集去噪和加权 | 第34-35页 |
| 3.2.1 数据集去噪 | 第34页 |
| 3.2.2 数据集加权 | 第34-35页 |
| 3.3 新型的适用于精细种类图像识别的损失函数 | 第35-36页 |
| 3.4 数据集和步骤流程 | 第36-39页 |
| 3.4.1 数据集 | 第36-39页 |
| 3.4.2 步骤流程 | 第39页 |
| 3.5 Baseline | 第39-40页 |
| 3.6 预训练和滤除噪声 | 第40-41页 |
| 3.7 Siamese网络优化 | 第41-42页 |
| 3.8 对比实验 | 第42-46页 |
| 3.8.1 和其他论文的对比 | 第42-43页 |
| 3.8.2 损失函数的对比 | 第43-44页 |
| 3.8.3 Siamese网络与Baseline在具体类别上的对比 | 第44-46页 |
| 3.9 在线网页识别 | 第46-49页 |
| 第四章 总结与展望 | 第49-53页 |
| 4.1 论文工作总结 | 第49-50页 |
| 4.2 问题与展望 | 第50-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55-57页 |
| 在读期间发表的学术论文与取得的研究成果 | 第57页 |