| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 植物叶片图像识别领域现状 | 第8-9页 |
| 1.2.2 深度学习在图像识别领域现状 | 第9-11页 |
| 1.3 研究难点与本文主要工作 | 第11-15页 |
| 1.3.1 研究过程中的主要难点 | 第11-13页 |
| 1.3.2 本文主要工作 | 第13-15页 |
| 第2章 卷积神经网络的结构及算法 | 第15-23页 |
| 2.1 神经网络 | 第15-20页 |
| 2.1.1 神经元 | 第15-17页 |
| 2.1.2 神经网络 | 第17-18页 |
| 2.1.3 反向传播算法 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-21页 |
| 2.2.1 稀疏连接 | 第20页 |
| 2.2.2 权值共享 | 第20-21页 |
| 2.3 卷积神经网络的训练方法 | 第21-22页 |
| 2.3.1 卷积层的训练 | 第21-22页 |
| 2.3.2 下采样层的训练 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 深度卷积神经网络的研究 | 第23-31页 |
| 3.1 深度卷积神经网络的训练问题 | 第23-27页 |
| 3.1.1 梯度消失问题 | 第23-24页 |
| 3.1.2 ReLu激活函数 | 第24-25页 |
| 3.1.3 Dropout | 第25-27页 |
| 3.1.4 批量训练和在线训练的选择 | 第27页 |
| 3.2 其他训练问题 | 第27-28页 |
| 3.2.1 数据预处理与归一化 | 第27-28页 |
| 3.2.2 网络参数的初始化问题 | 第28页 |
| 3.2.3 局部响应归一化 | 第28页 |
| 3.3 深度卷积神经网络模型 | 第28-30页 |
| 3.3.1 网络模型一 | 第28-30页 |
| 3.3.2 网络模型二 | 第30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 PReLU代替传统ReLU的植物叶片识别方法 | 第31-41页 |
| 4.1 植物叶片数据库介绍 | 第31-33页 |
| 4.2 图像预处理 | 第33-35页 |
| 4.3 基于PReLU的实验及结果分析 | 第35-40页 |
| 4.3.1 网络模型 | 第35-38页 |
| 4.3.2 实验一 | 第38-39页 |
| 4.3.3 实验二 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 基于多层深度卷积神经网络的植物叶片识别 | 第41-51页 |
| 5.1 多层深度卷积神经网络——NIN | 第41-42页 |
| 5.2 网络模型 | 第42-47页 |
| 5.3 实验训练参数 | 第47-48页 |
| 5.4 实验结果对比分析 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 本文的主要工作总结 | 第51页 |
| 6.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士期间发表的论文和参与的科研项目 | 第57-58页 |
| 致谢 | 第58-59页 |