自编码网络优化及其应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.3 本文的研究内容与章节安排 | 第15-16页 |
| 1.3.1 主要研究内容 | 第15页 |
| 1.3.2 论文结构 | 第15-16页 |
| 第2章 相关技术概述 | 第16-27页 |
| 2.1 网络结构优化 | 第16-22页 |
| 2.1.1 卷积神经网络(ConvNet) | 第16-18页 |
| 2.1.2 残差网络(ResNet) | 第18-20页 |
| 2.1.3 稠密连接网络(DenseNet) | 第20-22页 |
| 2.2 损失函数优化 | 第22-27页 |
| 2.2.1 重构误差度量 | 第22-24页 |
| 2.2.2 生成对抗模型(GAN) | 第24-27页 |
| 第3章 基于子像素全卷积的自编码网络结构优化 | 第27-40页 |
| 3.1 引言 | 第27-28页 |
| 3.2 自编码结构优化 | 第28-29页 |
| 3.1.1 子像素网络 | 第28-29页 |
| 3.1.2 全卷积网络 | 第29页 |
| 3.3 基于子像素全卷积的自编码网络结构优化算法 | 第29-31页 |
| 3.4 实验结果与分析 | 第31-39页 |
| 3.4.1 网络结构对自编码性能的影响分析 | 第32-36页 |
| 3.4.2 不同网络结构在不同数据库上的性能比较 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 一种基于对抗MSE度量的自编码算法 | 第40-49页 |
| 4.1 引言 | 第40页 |
| 4.2 自编码损失函数优化 | 第40-41页 |
| 4.3 基于对抗MSE的自编码算法 | 第41-43页 |
| 4.3.1 基于稠密连接的权重生成网络 | 第42页 |
| 4.3.2 对抗MSE度量 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-48页 |
| 4.4.1 权重约束参数对自编码性能的影响分析 | 第44-45页 |
| 4.4.2 权重生成网络对算法性能的影响分析 | 第45-46页 |
| 4.4.3 不同损失函数在不同数据库上的性能比较 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-52页 |
| 5.1 全文总结 | 第49-50页 |
| 5.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 研究生期间的成果 | 第57页 |
