基于深度学习的涉密图片识别算法的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要工作与章节安排 | 第13-15页 |
| 2 相关基础理论简介 | 第15-28页 |
| 2.1 深度学习 | 第15-25页 |
| 2.1.1 深度学习与卷积神经网络 | 第15-22页 |
| 2.1.2 深度学习的训练过程 | 第22-25页 |
| 2.2 迁移学习 | 第25-27页 |
| 2.2.1 迁移学习与机器学习 | 第25-26页 |
| 2.2.2 特征提取 | 第26页 |
| 2.2.3 微调 | 第26页 |
| 2.2.4 使用情景 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于深度学习的涉密图片识别算法的研究 | 第28-46页 |
| 3.1 前言 | 第28-29页 |
| 3.2 目标识别常用算法 | 第29-38页 |
| 3.2.1 R-CNN | 第29-30页 |
| 3.2.2 FastR-CNN | 第30-31页 |
| 3.2.3 FasterR-CNN | 第31-33页 |
| 3.2.4 R-FCN | 第33-35页 |
| 3.2.5 YOLO | 第35-36页 |
| 3.2.6 SSD | 第36-38页 |
| 3.3 不同算法的性能对比 | 第38-41页 |
| 3.3.1 精度和时间的对比 | 第39-40页 |
| 3.3.2 图片大小对mAP的影响 | 第40-41页 |
| 3.3.3 分辨率对mAP的影响 | 第41页 |
| 3.4 目标识别算法在涉密图片识别上的研究 | 第41-42页 |
| 3.5 硬件对深度学习训练的影响 | 第42-44页 |
| 3.6 本章小结 | 第44-46页 |
| 4 基于深度学习的涉密图片识别算法的实现 | 第46-60页 |
| 4.1 整体架构 | 第46-47页 |
| 4.2 实现过程 | 第47-53页 |
| 4.2.1 实验软件和硬件的选择 | 第47-48页 |
| 4.2.2 数据集的收集与处理 | 第48-49页 |
| 4.2.3 预训练模型的选择 | 第49-51页 |
| 4.2.4 模型训练 | 第51-53页 |
| 4.3 结果分析 | 第53-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 个人简历 | 第65-66页 |
| 致谢 | 第66页 |
