| 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 |
