轻量级的多维卷积神经网络的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 深度学习方法 | 第10-11页 |
| 1.2.2 轻量级的深度网络 | 第11-13页 |
| 1.3 本文组织结构 | 第13-16页 |
| 第2章 卷积神经网络技术 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 神经网络结构 | 第16-21页 |
| 2.3 常见的CNN结构 | 第21-23页 |
| 2.3.1 序贯结构 | 第21-22页 |
| 2.3.2 Inception结构 | 第22-23页 |
| 2.3.3 残差网络结构 | 第23页 |
| 2.4 网络训练算法 | 第23-25页 |
| 2.4.1 参数初始化 | 第23-24页 |
| 2.4.2 参数更新 | 第24-25页 |
| 2.5 卷积神经网络轻量化技术 | 第25-30页 |
| 2.5.1 网络冗余度 | 第25-27页 |
| 2.5.2 低秩分解 | 第27页 |
| 2.5.3 参数修剪 | 第27-29页 |
| 2.5.4 紧凑滤波器 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第3章 基于序贯结构的轻量级多维卷积神经网络 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 卷积层模型 | 第32-35页 |
| 3.3 网络结构 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-43页 |
| 3.4.1 MNIST和KTH行为数据集 | 第36-37页 |
| 3.4.2 网络结构及训练策略设置 | 第37-38页 |
| 3.4.3 视频通道采样 | 第38-40页 |
| 3.4.4 性能比较 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于多路并行的轻量级多维卷积神经网络 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 卷积层模型 | 第44-48页 |
| 4.3 特征融合 | 第48-50页 |
| 4.4 网络结构模块化设计 | 第50-53页 |
| 4.4.1 网络结构 | 第50-52页 |
| 4.4.2 超参设计 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-57页 |
| 4.5.1 CIFAR-10 数据集 | 第53页 |
| 4.5.2 网络结构调优及训练策略 | 第53-55页 |
| 4.5.3 特征融合的有效性验证 | 第55-56页 |
| 4.5.4 性能对比 | 第56-57页 |
| 4.6 本章小结 | 第57-60页 |
| 结论 | 第60-62页 |
| 参考 文献 | 第62-66页 |
| 攻读硕士学位期间所发表的学术论文 | 第66-68页 |
| 致谢 | 第68页 |
