大规模互联网图像自动识别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究内容和意义 | 第11-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 相关技术综述 | 第14-19页 |
| 2.1 图像识别 | 第14-16页 |
| 2.1.1 传统图像识别方法 | 第14-15页 |
| 2.1.2 卷积神经网络 | 第15-16页 |
| 2.2 互联网图像数据挖掘 | 第16页 |
| 2.3 云计算技术 | 第16-17页 |
| 2.4 本章小结 | 第17-19页 |
| 第3章 基于互联网图像数据的图像识别 | 第19-42页 |
| 3.1 研究的基本流程 | 第19-20页 |
| 3.2 互联网图像收集和噪声 | 第20-24页 |
| 3.2.1 图像收集 | 第20-22页 |
| 3.2.2 图像噪声 | 第22-24页 |
| 3.3 图像数据清洗 | 第24-36页 |
| 3.3.1 卷积神经网络特征 | 第24-31页 |
| 3.3.2 图像聚类 | 第31-32页 |
| 3.3.3 Cluster统计特征 | 第32-34页 |
| 3.3.4 GBDT算法 | 第34-36页 |
| 3.4 图像识别模型训练 | 第36-41页 |
| 3.4.1 梯度下降算法 | 第36-37页 |
| 3.4.2 反向传播算法 | 第37-40页 |
| 3.4.3 模型调整 | 第40-41页 |
| 3.5 图像识别服务 | 第41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 结合云计算的系统设计 | 第42-49页 |
| 4.1 分布式的爬虫调度 | 第42-43页 |
| 4.2 分布式的特征提取 | 第43-45页 |
| 4.3 分布式的数据清洗 | 第45-48页 |
| 4.4 本地的识别模型训练 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 系统实验与结果分析 | 第49-60页 |
| 5.1 实验环境 | 第49页 |
| 5.2 实验结果和分析 | 第49-59页 |
| 5.2.1 STL10数据集 | 第49-53页 |
| 5.2.2 Pascal VOC2012数据集 | 第53-56页 |
| 5.2.3 花的识别模型 | 第56-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 未来工作展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间主要的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
