基本卷积神经网络的图像去噪算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究目的与意义 | 第14-15页 |
| 1.2 深度学习研究现状 | 第15-17页 |
| 1.3 本文的主要工作及组织结构 | 第17-18页 |
| 第二章 相关的理论基础 | 第18-38页 |
| 2.1 图像去噪技术 | 第18-21页 |
| 2.1.1 噪声模型 | 第18-19页 |
| 2.1.2 常用的图像去噪方法 | 第19-20页 |
| 2.1.3 图像去噪效果评价 | 第20-21页 |
| 2.2 人工神经网络 | 第21-27页 |
| 2.2.1 单个神经元 | 第21-23页 |
| 2.2.2 人工神经网络基本原理 | 第23-24页 |
| 2.2.3 常用模型 | 第24-27页 |
| 2.3 BP网络 | 第27-31页 |
| 2.3.1 BP算法的基本原理 | 第27-28页 |
| 2.3.2 BP算法的数学表示 | 第28-30页 |
| 2.3.3 BP算法的步骤 | 第30-31页 |
| 2.4 深度学习 | 第31-36页 |
| 2.4.1 特征 | 第32-33页 |
| 2.4.2 浅层学习与深度学习 | 第33-34页 |
| 2.4.3 基本思想与结构 | 第34-35页 |
| 2.4.4 训练过程 | 第35-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 卷积神经网络及模型的构建 | 第38-48页 |
| 3.1 卷积神经网络 | 第38-44页 |
| 3.1.1 网络结构图 | 第38-40页 |
| 3.1.2 重要特点 | 第40-41页 |
| 3.1.3 训练过程 | 第41-44页 |
| 3.2 基于卷积神经网络的图像去噪 | 第44-47页 |
| 3.2.1 使用的网络结构 | 第45-46页 |
| 3.2.2 如何学习去噪 | 第46-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第四章 基于卷积神经网络的图像去噪实验 | 第48-62页 |
| 4.1 实验数据 | 第48-51页 |
| 4.2 网络的训练与测试 | 第51-54页 |
| 4.2.1 输入的设置 | 第52页 |
| 4.2.2 网络层数的选择 | 第52页 |
| 4.2.3 训练迭代次数的设置 | 第52页 |
| 4.2.4 训练样本个数的选择 | 第52-53页 |
| 4.2.5 卷积层的构建 | 第53页 |
| 4.2.6 构建模型 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
