基于深度学习的二进制描述符研究及其应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 深度学习研究现状 | 第10-11页 |
| 1.2.2 图像检索研究现状 | 第11-13页 |
| 1.3 本文主要工作 | 第13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 深度学习及基于内容的图像检索相关理论 | 第15-30页 |
| 2.1 深度学习 | 第15-23页 |
| 2.1.1 人工神经网络 | 第16-17页 |
| 2.1.2 BP神经网络 | 第17-19页 |
| 2.1.3 卷积神经网络 | 第19-23页 |
| 2.2 深度学习框架—Caffe | 第23-26页 |
| 2.2.1 Caffe深度学习框架原理 | 第23-24页 |
| 2.2.2 Caffe网络定义 | 第24-25页 |
| 2.2.3 Caffe框架搭建 | 第25-26页 |
| 2.3 基于内容的图像检索 | 第26-29页 |
| 2.3.1 图像特征提取 | 第26-27页 |
| 2.3.2 图像特征匹配 | 第27-28页 |
| 2.3.3 图像检索的评价标准 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于深度学习的二进制描述符 | 第30-44页 |
| 3.1 VGGNet网络模型 | 第30-35页 |
| 3.1.1 VGGNet16网络模型 | 第31-32页 |
| 3.1.2 基于VGGNet16网络分类模型 | 第32-35页 |
| 3.2 改进损失函数提出动机 | 第35页 |
| 3.3 基于深度学习的二进制描述符 | 第35-39页 |
| 3.3.1 二进制描述符 | 第35-36页 |
| 3.3.2 预训练网络 | 第36-38页 |
| 3.3.3 减小量化损失 | 第38页 |
| 3.3.4 减小旋转前后误差 | 第38-39页 |
| 3.3.5 总体优化损失函数 | 第39页 |
| 3.4 梯度检验法 | 第39-41页 |
| 3.4.1 批量梯度下降 | 第39-40页 |
| 3.4.2 随机梯度下降 | 第40页 |
| 3.4.3 数值检验法 | 第40-41页 |
| 3.5 算法的流程 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 实验结果与分析 | 第44-55页 |
| 4.1 数据集 | 第44页 |
| 4.2 评估标准 | 第44-45页 |
| 4.3 对MNIST数据集的应用 | 第45-48页 |
| 4.4 对NUS-WIDE数据集的应用 | 第48-50页 |
| 4.5 对CIFAR10数据集的应用 | 第50-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 问题及展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 作者在读期间科研成果简介 | 第60-61页 |
| 致谢 | 第61页 |
