基于卷积神经网络的图像识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 论文工作概述 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 卷积神经网络 | 第17-38页 |
| 2.1 卷积神经网络结构 | 第17-26页 |
| 2.1.1 卷积运算 | 第17-19页 |
| 2.1.2 卷积层 | 第19-20页 |
| 2.1.3 激活层 | 第20-24页 |
| 2.1.4 池化层 | 第24-25页 |
| 2.1.5 全连接层 | 第25-26页 |
| 2.2 卷积网络训练方法 | 第26-30页 |
| 2.3 训练优化算法 | 第30-32页 |
| 2.4 防止过拟合技术 | 第32-37页 |
| 2.4.1 数据增强变换 | 第34-36页 |
| 2.4.2 Dropout技术 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 3 基于卷积神经网络的车牌字符识别 | 第38-50页 |
| 3.1 问题描述 | 第38-40页 |
| 3.2 卷积模型结构 | 第40-41页 |
| 3.3 实验及分析 | 第41-49页 |
| 3.3.1 实验数据 | 第41-42页 |
| 3.3.2 实验环境及配置 | 第42页 |
| 3.3.3 评估标准 | 第42-43页 |
| 3.3.4 实验结果 | 第43-44页 |
| 3.3.5 参数讨论 | 第44-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 小样本条件下的迁移训练方法 | 第50-67页 |
| 4.1 问题描述 | 第50-51页 |
| 4.2 迁移学习 | 第51-53页 |
| 4.2.1 迁移学习流程 | 第52-53页 |
| 4.3 域内同构迁移学习 | 第53-59页 |
| 4.3.1 域内同构迁移训练过程 | 第54-55页 |
| 4.3.2 实验数据及参数配置 | 第55-56页 |
| 4.3.3 实验结果及分析 | 第56-59页 |
| 4.4 域间异构迁移学习 | 第59-64页 |
| 4.4.1 域间异构卷积模型 | 第59-61页 |
| 4.4.2 域间异构迁移训练算法 | 第61-62页 |
| 4.4.3 实验结果及分析 | 第62-64页 |
| 4.5 卷积特征可视化 | 第64-65页 |
| 4.6 本章小结 | 第65-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67-68页 |
| 5.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第73-74页 |
| 致谢 | 第74页 |
