| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 深度学习的发展 | 第10-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第二章 深度学习模型与分类器介绍 | 第14-31页 |
| 2.1 AutoEncoder自动编码器 | 第14-16页 |
| 2.2 受限波尔兹曼机 | 第16-18页 |
| 2.3 卷积神经网络 | 第18-22页 |
| 2.3.1 卷积层 | 第19页 |
| 2.3.2 池化层 | 第19-20页 |
| 2.3.3 激活函数 | 第20页 |
| 2.3.4 前向传播过程 | 第20-21页 |
| 2.3.5 反向传播算法 | 第21-22页 |
| 2.4 分类器 | 第22-25页 |
| 2.4.1 支持向量机 | 第22-24页 |
| 2.4.2 贝叶斯分类器 | 第24页 |
| 2.4.3 Softmax分类器 | 第24-25页 |
| 2.5 深度学习框架 | 第25-30页 |
| 2.5.1 Caffe框架 | 第25-28页 |
| 2.5.2 TensorFlow框架 | 第28-29页 |
| 2.5.3 Keras框架 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于Brief-Net卷积神经网络的图像分类方法 | 第31-41页 |
| 3.1 优化策略 | 第31-33页 |
| 3.1.1 数据增强 | 第31页 |
| 3.1.2 网络初始化 | 第31-32页 |
| 3.1.3 模型结构及训练策略 | 第32-33页 |
| 3.2 Brief-Net卷积神经网络方法 | 第33-35页 |
| 3.2.1 目标函数 | 第34-35页 |
| 3.2.2 卷积核大小 | 第35页 |
| 3.2.3 重叠采样 | 第35页 |
| 3.2.4 激活函数选取 | 第35页 |
| 3.2.5 取消LRN | 第35页 |
| 3.3 实验结果及分析 | 第35-40页 |
| 3.3.1 实验设置 | 第35-36页 |
| 3.3.2 RO数据集实验 | 第36-37页 |
| 3.3.3 Flower数据集实验 | 第37-38页 |
| 3.3.4 首层卷积核大小变化的影响 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 Supplement卷积神经网络的图像分类方法 | 第41-53页 |
| 4.1 激活函数ReLU和LeakyReLU | 第41-42页 |
| 4.2 Supplement CNN | 第42-44页 |
| 4.2.1 Supplement CNN网络结构 | 第42页 |
| 4.2.2 改进的算法原理 | 第42-44页 |
| 4.3 实验结果及分析 | 第44-51页 |
| 4.3.1 实验设置 | 第44-46页 |
| 4.3.2 Cifar-10数据集实验 | 第46-48页 |
| 4.3.3 Dogsvs Cats数据集实验 | 第48-50页 |
| 4.3.4 Flower Dataset实验 | 第50页 |
| 4.3.5 实验分析 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 结论与展望 | 第53-54页 |
| 5.1 结论 | 第53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者在读期间科研成果简介 | 第58-59页 |
| 致谢 | 第59页 |