| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题研究的目的和意义 | 第11-12页 |
| 1.3 国内外研究概况 | 第12-16页 |
| 1.3.1 场景图像分类研究概况 | 第12-15页 |
| 1.3.2 深度学习研究概况 | 第15-16页 |
| 1.4 研究面临的困难与挑战 | 第16-18页 |
| 1.5 论文的主要研究内容 | 第18-20页 |
| 第二章 人工神经网络相关理论 | 第20-31页 |
| 2.1 人工神经网络 | 第20-23页 |
| 2.1.1 神经元 | 第20-21页 |
| 2.1.2 前馈神经网络 | 第21-22页 |
| 2.1.3 反向传播算法 | 第22-23页 |
| 2.2 常用深度学习模型 | 第23-27页 |
| 2.2.1 栈式自动编码器 | 第23-25页 |
| 2.2.2 深度置信网络 | 第25-27页 |
| 2.3 卷积神经网络 | 第27-30页 |
| 2.3.1 卷积神经网络的结构 | 第27-29页 |
| 2.3.2 卷积神经网络的优越性 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于预训练CaffeNet模型的场景分类 | 第31-50页 |
| 3.1 预训练CNN的迁移学习 | 第31-32页 |
| 3.2 基于预训练CNN场景分类算法描述 | 第32-33页 |
| 3.3 图像预处理 | 第33-34页 |
| 3.4 CNN特征提取 | 第34-38页 |
| 3.4.1 Caffe Net模型 | 第34-37页 |
| 3.4.2 预训练CaffeNet模型特征提取 | 第37-38页 |
| 3.5 PCA降维 | 第38-39页 |
| 3.6 SVM分类器 | 第39-41页 |
| 3.6.1 SVM分类原理 | 第39-40页 |
| 3.6.2 SVM多分类 | 第40-41页 |
| 3.7 实验验证与结果分析 | 第41-49页 |
| 3.7.1 实验环境 | 第41-42页 |
| 3.7.2 数据集与实验内容 | 第42-43页 |
| 3.7.3 实验步骤与设置 | 第43-44页 |
| 3.7.4 实验结果与分析 | 第44-49页 |
| 3.8 本章小结 | 第49-50页 |
| 第四章 基于微调CaffeNet与特征融合的场景分类 | 第50-64页 |
| 4.1 基于微调CaffeNet模型的场景分类 | 第50-52页 |
| 4.2 基于多层特征融合的场景分类 | 第52-57页 |
| 4.2.1 单层特征的局限性 | 第52-54页 |
| 4.2.2 特征融合的方法 | 第54-55页 |
| 4.2.3 卷积层特征的降维策略 | 第55-56页 |
| 4.2.4 基于多层特征融合的场景分类算法框架 | 第56-57页 |
| 4.3 实验验证与结果分析 | 第57-63页 |
| 4.3.1 实验环境 | 第57页 |
| 4.3.2 数据集与实验内容 | 第57-58页 |
| 4.3.3 实验步骤与设置 | 第58-59页 |
| 4.3.4 实验结果与分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第71-72页 |
| 作者在攻读硕士学位期间所作的项目 | 第72-73页 |
| 致谢 | 第73页 |