| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 本文研究背景及其意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 深度学习在图像领域的发展与研究现状 | 第11-13页 |
| 1.2.2 卷积神经网络的研究现状 | 第13-14页 |
| 1.2.3 卷积神经网络在图像分类上的应用以及存在的问题 | 第14页 |
| 1.3 本文的主要工作及组织结构 | 第14-16页 |
| 1.3.1 主要工作 | 第14-15页 |
| 1.3.2 结构安排 | 第15-16页 |
| 第2章 卷积神经网络的结构模型及相关算法 | 第16-39页 |
| 2.1 卷积神经网络 | 第17-21页 |
| 2.1.1 概述 | 第17-18页 |
| 2.1.2 Neocognitron模型 | 第18-19页 |
| 2.1.3 LeNet-5 模型 | 第19-20页 |
| 2.1.4 影响卷积神经网络性能的相关因素和方法 | 第20-21页 |
| 2.2 卷积神经网络的训练 | 第21-27页 |
| 2.2.1 神经网络的代价函数 | 第21-22页 |
| 2.2.2 反向传播算法 | 第22-23页 |
| 2.2.3 训练过程 | 第23-24页 |
| 2.2.4 训练中的相关问题 | 第24-27页 |
| 2.3 图像预处理和激活函数 | 第27-31页 |
| 2.3.1 图像的预处理 | 第27-29页 |
| 2.3.2 卷积神经网络中的激活函数 | 第29-31页 |
| 2.4 卷积和池化 | 第31-32页 |
| 2.4.1 卷积 | 第31页 |
| 2.4.2 池化 | 第31-32页 |
| 2.5 卷积神经网络中参数优化方法 | 第32-34页 |
| 2.5.1 随机梯度下降 | 第32-33页 |
| 2.5.2 自适应梯度算法 | 第33页 |
| 2.5.3 Nesterov梯度加速 | 第33-34页 |
| 2.6 增强网络泛化，防止过拟合 | 第34-38页 |
| 2.6.1 数据增强 | 第34页 |
| 2.6.2 权值衰减 | 第34-35页 |
| 2.6.3 Dropout | 第35-36页 |
| 2.6.4 DropConnect | 第36-38页 |
| 2.7 小结 | 第38-39页 |
| 第3章 卷积神经网络在图像分类上的分析 | 第39-52页 |
| 3.1 图像分类数据库介绍 | 第39-40页 |
| 3.1.1 MNIST数据集 | 第39-40页 |
| 3.1.2 C1FAR-10数据集 | 第40页 |
| 3.2 LeNet-5 的结构以及最新的架构分析 | 第40-41页 |
| 3.3 策略选择的实验和分析 | 第41-51页 |
| 3.3.1 核个数与感受野大小的选择 | 第42-44页 |
| 3.3.2 池化方法和大小选择 | 第44-45页 |
| 3.3.3 优化网络代价函数算法选择 | 第45-47页 |
| 3.3.4 层数选择优化 | 第47-48页 |
| 3.3.5 激活函数改变 | 第48-49页 |
| 3.3.6 数据增强 | 第49-51页 |
| 3.4 小结 | 第51-52页 |
| 第4章 卷积神经网络在Tiny Image Net上的识别研究 | 第52-59页 |
| 4.1 Tiny ImageNet数据库 | 第52页 |
| 4.2 模型设计 | 第52-55页 |
| 4.2.1 常用模型 | 第52-53页 |
| 4.2.2 模型设计 | 第53-55页 |
| 4.2.3 训练和测试方法 | 第55页 |
| 4.3 实验分析 | 第55-58页 |
| 4.3.1 实验环境配置 | 第55-56页 |
| 4.3.2 图像数据库设计 | 第56页 |
| 4.3.3 实验结果 | 第56-57页 |
| 4.3.4 提高分类准确率的策略 | 第57页 |
| 4.3.5 实验误差分析 | 第57-58页 |
| 4.4 小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 本文主要工作 | 第59页 |
| 5.2 未来工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录 攻读硕士学位期间发表的论文和参与的科研项目 | 第66页 |