首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于机器学习的图像识别研究

摘要第6-7页
abstract第7页
第1章 绪论第10-18页
    1.1 课题的研究背景及选题意义第10-13页
        1.1.1 研究背景第10-12页
        1.1.2 选题意义第12-13页
    1.2 机器学习在图像识别中的国内外研究现状第13-16页
    1.3 论文的主要研究内容第16-18页
第2章 数据集来源和预处理第18-24页
    2.1 数据集来源第18-19页
    2.2 数据集预处理第19-24页
        2.2.1 数据集扩增第19-20页
        2.2.2 数据集归一化第20页
        2.2.3 数据集降维第20-21页
        2.2.4 PCA和SVD第21-24页
第3章 残差神经网络抑制过拟合算法优化算法第24-36页
    3.1 残差神经网络模型框架第24-28页
        3.1.1 残差块第24-26页
        3.1.2 网络结构第26-28页
    3.2 改善过拟合的算法研究第28-32页
        3.2.1 Dropout第28页
        3.2.2 减少卷积核尺寸和数量第28-29页
        3.2.3 BN第29-30页
        3.2.4 正则化第30-31页
        3.2.5 提前终止第31-32页
    3.3 最优化算法第32-36页
        3.3.1 梯度下降法第32-33页
        3.3.2 随机梯度下降或增量梯度下降第33-34页
        3.3.3 牛顿和拟牛顿法第34页
        3.3.4 拟牛顿法第34-36页
第4章 基于残差神经网络的循环Finetune算法的研究第36-41页
    4.1 Finetune网络第36-38页
    4.2 Finetune方法残差网络的实现第38-39页
    4.3 基于深度残差网络的改进循环Finetune算法第39-41页
第5章 实验平台及实验结果的分析第41-59页
    5.1 实验平台第41-44页
        5.1.1 基于caffe深度学习框架第41页
        5.1.2 基于keras深度学习框架第41页
        5.1.3 深度学习框架keras、caffe和其他框架对比第41-44页
    5.2 衡量标准和使用caffe,keras精度对比第44-47页
        5.2.1 衡量标准第44-46页
        5.2.2 使用caffe框架训练数据所得精度和召回率第46页
        5.2.3 使用keras框架训练数据所得精度和召回率第46-47页
    5.3 实验方案和实验结果分析第47-48页
    5.4 实验结果第48-59页
结论第59-60页
附录A第60-72页
参考文献第72-75页
攻读硕士学位期间发表的论文和取得的科研成果第75-76页
致谢第76-77页

论文共77页,点击 下载论文
上一篇:基于聚类算法的图像篡改检测技术研究
下一篇:基于前视声呐的水下场景三维重建方法的研究