基于深度学习的图像分类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 图像分类研究现状 | 第12-16页 |
| 1.2.1 预处理研究现状 | 第12-13页 |
| 1.2.2 特征提取方法研究现状 | 第13-14页 |
| 1.2.3 分类算法研究现状 | 第14-15页 |
| 1.2.4 深度学习的研究现状 | 第15-16页 |
| 1.3 论文主要内容及安排 | 第16-19页 |
| 第二章 特征学习与分类方法介绍 | 第19-33页 |
| 2.1 单层特征学习方法研究 | 第19-23页 |
| 2.1.1 受限玻尔兹曼机 | 第19-21页 |
| 2.1.2 自动编码器 | 第21-23页 |
| 2.2 多层特征学习与分类方法研究 | 第23-31页 |
| 2.2.1 深度置信网 | 第23-24页 |
| 2.2.2 堆叠自动编码器 | 第24-25页 |
| 2.2.3 卷积神经网络 | 第25-31页 |
| 2.3 本章小结 | 第31-33页 |
| 第三章 基于多模型卷积神经网络的图像分类 | 第33-51页 |
| 3.1 AlexNet与VGGNet模型 | 第33-38页 |
| 3.1.1 AlexNet模型 | 第33-37页 |
| 3.1.2 VGGNet模型 | 第37-38页 |
| 3.2 预训练网络与迁移学习 | 第38-41页 |
| 3.2.1 预训练网络与迁移学习 | 第38-39页 |
| 3.2.2 实验结果及分析 | 第39-41页 |
| 3.3 最后一层全连接层权值分布与分析 | 第41-46页 |
| 3.4 多模型卷积神经网络结构 | 第46-48页 |
| 3.4.1 多模型卷积神经网络 | 第46-47页 |
| 3.4.2 实验结果及分析 | 第47-48页 |
| 3.5 本章小结 | 第48-51页 |
| 第四章 基于优化分类的数据增广方法 | 第51-61页 |
| 4.1 数据增广方法 | 第51-55页 |
| 4.1.1 对抗生成网络 | 第52-54页 |
| 4.1.2 PCA Jittering | 第54-55页 |
| 4.2 优化分类的数据增广方法 | 第55-57页 |
| 4.3 实验结果及分析 | 第57-59页 |
| 4.3.1 Caltech-101数据集 | 第57-58页 |
| 4.3.2 Corel1K数据集 | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 总结和展望 | 第61-63页 |
| 5.1 本文总结 | 第61页 |
| 5.2 研究展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 研究成果及发表的学术论文 | 第71-73页 |
| 作者及导师简介 | 第73-75页 |
| 附件 | 第75-76页 |
