面向图像内容检索的卷积神经网络
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 图像检索的现状 | 第12-13页 |
| 1.2.2 卷积神经网络的现状 | 第13-15页 |
| 1.2.3 卷积神经网络的应用及存在的问题 | 第15页 |
| 1.3 主要工作及内容安排 | 第15-17页 |
| 第二章 卷积神经网络 | 第17-33页 |
| 2.1 卷积神经网络 | 第17-20页 |
| 2.1.1 概述 | 第17-18页 |
| 2.1.2 LeNet5模型 | 第18-20页 |
| 2.2 图像数据预处理 | 第20页 |
| 2.3 卷积形式的发展 | 第20-23页 |
| 2.4 激活函数 | 第23-26页 |
| 2.4.1 Sigmoid和Tanh函数 | 第23-24页 |
| 2.4.2 Relu函数 | 第24-25页 |
| 2.4.3 Maxout函数 | 第25-26页 |
| 2.5 求解 | 第26-28页 |
| 2.5.1 前向传播 | 第26-27页 |
| 2.5.2 后向传播 | 第27-28页 |
| 2.6 防止过拟合的方法 | 第28-30页 |
| 2.6.1 数据增广 | 第28-29页 |
| 2.6.2 权值衰减 | 第29页 |
| 2.6.3 Dropout | 第29-30页 |
| 2.7 Caffe框架及fine-tune技巧 | 第30-32页 |
| 2.7.1 Caffe简介 | 第30-31页 |
| 2.7.2 finetune | 第31-32页 |
| 2.8 本章小结 | 第32-33页 |
| 第三章 CNN网络参数的选择 | 第33-40页 |
| 3.1 图像数据库介绍 | 第33-35页 |
| 3.1.1 MNIST | 第33页 |
| 3.1.2 SVHN | 第33-34页 |
| 3.1.3 CIFAR-10 | 第34-35页 |
| 3.2 参数设置指导原则的探讨和分析 | 第35-39页 |
| 3.2.1 卷积核个数的选择 | 第36-37页 |
| 3.2.2 卷积核大小的选择 | 第37页 |
| 3.2.3 采样层的搭配方法 | 第37-38页 |
| 3.2.4 激活函数的选择 | 第38-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 面向古玩图片分类的CNN | 第40-51页 |
| 4.1 古玩图片数据库 | 第40-41页 |
| 4.2 数据预处理 | 第41页 |
| 4.3 去背景古玩图片作为输入的CNN | 第41-45页 |
| 4.3.1 实验过程 | 第42-45页 |
| 4.3.2 实验结果分析 | 第45页 |
| 4.4 多目标古玩图片的CNN | 第45-48页 |
| 4.4.1 CNN直接训练方法进行分类 | 第46-47页 |
| 4.4.2 微调CNN的方法进行分类 | 第47-48页 |
| 4.4.3 实验结果分析 | 第48页 |
| 4.5 样本不均衡情况下的古玩图片分类方法 | 第48-50页 |
| 4.5.1 实验过程 | 第48-50页 |
| 4.5.2 实验结果分析 | 第50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 有噪样本的CNN研究 | 第51-60页 |
| 5.1 并行采样的卷积神经网络模型 | 第51-56页 |
| 5.1.1 实验过程 | 第52-55页 |
| 5.1.2 实验结果分析 | 第55-56页 |
| 5.2 针对含噪数据集的网络训练方法 | 第56-59页 |
| 5.2.1 实验过程 | 第58-59页 |
| 5.2.2 实验结果分析 | 第59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文主要工作 | 第60页 |
| 6.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
