增强现实中的卷积神经网络技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 论文主要内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 2 卷积神经网络技术基础 | 第14-31页 |
| 2.1 引言 | 第14页 |
| 2.2 卷积神经网络结构及原理 | 第14-20页 |
| 2.2.1 普通神经网络与CNN | 第14-16页 |
| 2.2.2 局部连接 | 第16-17页 |
| 2.2.3 权值共享 | 第17-18页 |
| 2.2.4 卷积 | 第18-19页 |
| 2.2.5 池化 | 第19-20页 |
| 2.3 卷积神经网络的训练 | 第20-24页 |
| 2.3.1 卷积神经网络模型的参数初始化 | 第20-21页 |
| 2.3.2 神经网络的代价函数 | 第21页 |
| 2.3.3 反向传播算法 | 第21-23页 |
| 2.3.4 训练过程 | 第23-24页 |
| 2.4 神经网络的优化 | 第24-28页 |
| 2.4.1 随机梯度下降算法 | 第25页 |
| 2.4.2 自适应梯度下降算法 | 第25-26页 |
| 2.4.3 Adam | 第26页 |
| 2.4.4 Dropout | 第26-28页 |
| 2.5 TENSORFLOW深度学习框架 | 第28-30页 |
| 2.5.1 TensorFlow框架 | 第28-29页 |
| 2.5.2 编程模型 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 基于CNN的图像分类模型设计 | 第31-48页 |
| 3.1 基于CNN的图像分类模型总体设计 | 第31-32页 |
| 3.2 各层设计 | 第32-40页 |
| 3.2.1 图片数据集输入层 | 第32-33页 |
| 3.2.2 优化的卷积层 | 第33-38页 |
| 3.2.3 池化层 | 第38-39页 |
| 3.2.4 全连接层 | 第39-40页 |
| 3.2.5 初始的权值选取 | 第40页 |
| 3.3 实验结果与分析 | 第40-47页 |
| 3.3.1 实验流程设计 | 第40-41页 |
| 3.3.2 实验环境 | 第41页 |
| 3.3.3 实验结果与分析 | 第41-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于CNN的增强现实系统的实现 | 第48-58页 |
| 4.1 系统设计 | 第48-49页 |
| 4.2 Unity开发架构 | 第49-52页 |
| 4.2.1 Unity开发平台 | 第49页 |
| 4.2.2 坐标转换 | 第49-50页 |
| 4.2.3 ARCamera设定 | 第50-51页 |
| 4.2.4 虚拟信息渲染 | 第51-52页 |
| 4.3 系统详细设计 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-57页 |
| 4.4.1 系统开发环境 | 第53-54页 |
| 4.4.2 实验结果与分析 | 第54-56页 |
| 4.4.3 性能分析 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 5 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58页 |
| 5.2 未来展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
