| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 国内外研究综述 | 第9-12页 |
| 1.2.1 深度学习研究现状 | 第9-11页 |
| 1.2.2 卷积神经网络研究现状 | 第11-12页 |
| 1.3 卷积神经网络面临的问题与挑战 | 第12-14页 |
| 1.4 本文主要研究内容与组织结构 | 第14-17页 |
| 第2章 卷积神经网络概述 | 第17-31页 |
| 2.1 卷积神经网络 | 第17-23页 |
| 2.1.1 卷积网络的基本结构 | 第17-18页 |
| 2.1.2 卷积神经网络的运算与激活函数 | 第18-21页 |
| 2.1.3 常用数据集介绍 | 第21-23页 |
| 2.2 多分类器卷积神经网络 | 第23-27页 |
| 2.2.1 激活模块的设定 | 第24-26页 |
| 2.2.2 CDLN的训练方法 | 第26-27页 |
| 2.2.3 CDLN的测试方法 | 第27页 |
| 2.3 卷积神经网络的模型压缩方法 | 第27-28页 |
| 2.4 本章小结 | 第28-31页 |
| 第3章 多分类器联合训练方法 | 第31-42页 |
| 3.1 多分类器网络训练方法分析 | 第31-33页 |
| 3.2 联合训练的训练过程 | 第33-34页 |
| 3.3 多分类器联合训练方法分析 | 第34-35页 |
| 3.4 实验与分析 | 第35-40页 |
| 3.4.1 JTMC训练方法的实验分析 | 第36-37页 |
| 3.4.2 加权JTMC训练方法的实验分析 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 卷积神经网络的压缩 | 第42-55页 |
| 4.1 一站式全网络压缩方法 | 第42-48页 |
| 4.1.1 张量分解 | 第42-44页 |
| 4.1.2 卷积核张量的Tucker分解 | 第44-46页 |
| 4.1.3 基于VBMF全局分析的秩选择 | 第46-47页 |
| 4.1.4 基于VBMF的秩选择与微调 | 第47-48页 |
| 4.2 HashNets权值共享方法 | 第48-51页 |
| 4.2.1 HashNets | 第48-49页 |
| 4.2.2 特征哈希和权重共享 | 第49-50页 |
| 4.2.3 HashNets的训练 | 第50-51页 |
| 4.3 实验与分析 | 第51-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第5章 CDLN网络的压缩方法及在移动平台上的性能分析 | 第55-61页 |
| 5.1 WJTMC和OSC-HashNets综合训练 | 第55-56页 |
| 5.2 移动平台上的实验 | 第56-59页 |
| 5.2.1 移动平台的搭建 | 第56-59页 |
| 5.2.2 实验与分析 | 第59页 |
| 5.3 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的学术论文 | 第69-71页 |
| 致谢 | 第71页 |