基于二分支卷积单元的图像分类算法
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文结构 | 第12-14页 |
| 第2章 卷积神经网络 | 第14-20页 |
| 2.1 神经网络 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-17页 |
| 2.3 卷积神经网络的训练过程 | 第17-18页 |
| 2.4 卷积神经网络的优点 | 第18-20页 |
| 第3章 卷积神经网络的基本结构 | 第20-28页 |
| 3.1 卷积层 | 第20-21页 |
| 3.2 池化层 | 第21-22页 |
| 3.3 Softmax分类损失层 | 第22-23页 |
| 3.4 激活函数 | 第23页 |
| 3.5 Dropout层 | 第23-24页 |
| 3.6 批归一化层 | 第24-25页 |
| 3.7 反向传播算法 | 第25-28页 |
| 第4章 卷积神经网络结构设计 | 第28-38页 |
| 4.1 卷积神经网络的基本结构 | 第28-29页 |
| 4.2 卷积神经网络中的主流网络结构 | 第29-36页 |
| 4.2.1 AlexNet网络结构 | 第30-31页 |
| 4.2.2 ZFNet网络结构 | 第31-32页 |
| 4.2.3 VggNet网络结构 | 第32-33页 |
| 4.2.4 GoogLeNet网络结构 | 第33-35页 |
| 4.2.5 ResNet网络结构 | 第35-36页 |
| 4.3 小结 | 第36-38页 |
| 第5章 基于二分支卷积单元的深度卷积神经网络 | 第38-50页 |
| 5.1 传统的卷积与简化的卷积 | 第38-39页 |
| 5.2 包含通道内、间信息的两种特征提取 | 第39-40页 |
| 5.3 二分支卷积单元 | 第40-43页 |
| 5.3.1 二分支卷积单元 | 第41-43页 |
| 5.3.2 卷积单元间的连接 | 第43页 |
| 5.4 级联二分支网络 | 第43-45页 |
| 5.4.1 卷积模块 | 第43-44页 |
| 5.4.2 级联二分支网络 | 第44-45页 |
| 5.5 实验结果及分析 | 第45-48页 |
| 5.5.1 实验基础 | 第45-46页 |
| 5.5.2 二分支卷积单元与简化卷积实验对比 | 第46-47页 |
| 5.5.3 CTsNet与经典方法实验对比 | 第47-48页 |
| 5.6 本章小结 | 第48-50页 |
| 第6章 基于特征值的激活函数 | 第50-58页 |
| 6.1 激活函数 | 第50-53页 |
| 6.1.1 传统激活函数 | 第50-52页 |
| 6.1.2 ReLU的优化方法 | 第52-53页 |
| 6.2 Self-ReLU | 第53-54页 |
| 6.3 结构设计 | 第54-55页 |
| 6.4 实验结果 | 第55-56页 |
| 6.5 本章小结 | 第56-58页 |
| 第7章 总结与展望 | 第58-60页 |
| 7.1 工作总结 | 第58页 |
| 7.2 工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 发表论文和参加科研情况说明 | 第64-66页 |
| 致谢 | 第66页 |
