基于深度学习的图像分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题研究的背景与意义 | 第15-16页 |
| 1.2 国内外研究历史与现状 | 第16-19页 |
| 1.2.1 特征提取研究 | 第16-17页 |
| 1.2.2 分类算法研究 | 第17-18页 |
| 1.2.3 深度学习研究 | 第18-19页 |
| 1.3 本论文的主要工作和结构安排 | 第19-21页 |
| 第二章 图像分类与深度学习的理论基础综述 | 第21-41页 |
| 2.1 经典图像分类 | 第21-23页 |
| 2.2 特征学习 | 第23-25页 |
| 2.2.1 浅层特征表示 | 第23-24页 |
| 2.2.2 结构性特征表示 | 第24-25页 |
| 2.3 神经网络 | 第25-29页 |
| 2.3.1 基本概念 | 第25-26页 |
| 2.3.2 反向传播算法 | 第26-28页 |
| 2.3.3 损失函数 | 第28-29页 |
| 2.4 卷积神经网络 | 第29-36页 |
| 2.4.1 概述 | 第29-30页 |
| 2.4.2 CNN的特点 | 第30-31页 |
| 2.4.3 卷积运算和池化运算 | 第31-33页 |
| 2.4.4 CNN模型结构 | 第33-34页 |
| 2.4.5 CNN的训练 | 第34-36页 |
| 2.5 防止过拟合技术 | 第36-39页 |
| 2.5.1 增加权重正则化项 | 第37-38页 |
| 2.5.2 Dropout技术 | 第38-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 深度学习Caffe框架 | 第41-51页 |
| 3.1 Caffe框架 | 第41-43页 |
| 3.1.1 概述 | 第41页 |
| 3.1.2 Caffe的模块 | 第41-43页 |
| 3.2 使用Caffe进行图像分类 | 第43-50页 |
| 3.2.1 准备阶段 | 第44-45页 |
| 3.2.2 图像的训练 | 第45-46页 |
| 3.2.3 图像的预测 | 第46-47页 |
| 3.2.4 使用已有caffemodel进行分类 | 第47-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第四章 Siamese网络的研究及优化 | 第51-73页 |
| 4.1 Siamese网络 | 第51-52页 |
| 4.2 Siamese网络目前存在的缺陷 | 第52-53页 |
| 4.3 实验准备 | 第53-55页 |
| 4.4 基于样本对重组的优化方法 | 第55-64页 |
| 4.4.1 优化方案设计 | 第55-56页 |
| 4.4.2 实验过程 | 第56-58页 |
| 4.4.3 实验结果分析 | 第58-62页 |
| 4.4.4 在Caffe中的代码更改 | 第62-63页 |
| 4.4.5 实验评估 | 第63-64页 |
| 4.5 基于样本对丢弃的优化方法 | 第64-72页 |
| 4.5.1 优化方案设计 | 第64-65页 |
| 4.5.2 实验过程 | 第65-67页 |
| 4.5.3 实验结果分析 | 第67-69页 |
| 4.5.4 在Caffe中的代码更改 | 第69-71页 |
| 4.5.5 实验评估 | 第71-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
