| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 中餐菜品识别的研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 深度卷积神经网络介绍 | 第15-27页 |
| 2.1 深度学习的发展与现状 | 第15-17页 |
| 2.2 深度卷积神经网络简介 | 第17-25页 |
| 2.2.1 神经网络 | 第17-18页 |
| 2.2.2 卷积神经网络 | 第18-21页 |
| 2.2.3 常用优化算法 | 第21-23页 |
| 2.2.4 相关技术 | 第23-25页 |
| 2.3 开发库 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 选择性集成算法 | 第27-35页 |
| 3.1 集成学习简介 | 第27-28页 |
| 3.2 分类器的产生 | 第28-30页 |
| 3.2.1 训练集划分 | 第28-29页 |
| 3.2.2 模型生成操作 | 第29页 |
| 3.2.3 搜索空间划分 | 第29-30页 |
| 3.2.4 多类型融合 | 第30页 |
| 3.3 模型选择 | 第30-32页 |
| 3.3.1 排序选择 | 第30-31页 |
| 3.3.2 KappaPruning | 第31页 |
| 3.3.3 OrientationOrdering | 第31-32页 |
| 3.3.4 DHCEP算法 | 第32页 |
| 3.4 模型连接 | 第32-34页 |
| 3.4.1 投票法 | 第33页 |
| 3.4.2 平均法 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 中餐菜品检测 | 第35-46页 |
| 4.1 YOLOv2模型结构 | 第35-40页 |
| 4.2 中餐菜品检测数据库 | 第40-41页 |
| 4.3 训练过程 | 第41-43页 |
| 4.4 中餐菜品检测的结果与分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 中餐菜品识别 | 第46-70页 |
| 5.1 模型介绍 | 第46-51页 |
| 5.1.1 AlexNet模型结构 | 第46-47页 |
| 5.1.2 SqueezeNet模型结构 | 第47-48页 |
| 5.1.3 GoogLeNet模型结构 | 第48-50页 |
| 5.1.4 ResNet模型结构 | 第50-51页 |
| 5.2 中餐菜品识别数据库 | 第51页 |
| 5.3 基分类器生成 | 第51-52页 |
| 5.4 中餐菜品检测对菜品识别结果分析 | 第52-54页 |
| 5.5 基于集成的中餐菜品识别实验分析 | 第54-69页 |
| 5.5.1 基于准确率排序的同质模型集成 | 第55-59页 |
| 5.5.2 基于准确率排序的异质模型组合 | 第59-63页 |
| 5.5.3 KappaPruning算法 | 第63-65页 |
| 5.5.4 OrientationOrdering算法 | 第65-67页 |
| 5.5.5 DHCEP算法 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 附件 | 第79页 |