面向小尺寸图像分类的卷积神经网络设计
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-11页 |
| 1.2 深度学习国内外研究现状 | 第11-13页 |
| 1.3 卷积神经网络国内外研究现状 | 第13-14页 |
| 1.4 研究内容 | 第14-16页 |
| 2 卷积神经网络理论基础 | 第16-28页 |
| 2.1 卷积运算 | 第16-17页 |
| 2.2 池化操作 | 第17-18页 |
| 2.3 人工神经网络 | 第18-21页 |
| 2.4 误差反向传播算法与梯度下降法 | 第21-24页 |
| 2.5 卷积神经网络结构 | 第24-25页 |
| 2.6 卷积神经网络的训练过程 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 3 面向手写数字识别的卷积神经网络 | 第28-48页 |
| 3.1 手写数字数据集 | 第28-29页 |
| 3.2 LENET-5模型组成 | 第29-31页 |
| 3.3 深度学习框架简介 | 第31-32页 |
| 3.4 面向手写数字图像分类的模型设计 | 第32-36页 |
| 3.5 模型调参 | 第36-43页 |
| 3.6 实验结果 | 第43-47页 |
| 3.7 本章小结 | 第47-48页 |
| 4 面向自然图像分类的卷积神经网络 | 第48-66页 |
| 4.1 自然图像数据集 | 第48-49页 |
| 4.2 面向自然图像分类的模型设计 | 第49-51页 |
| 4.3 CNN-2模型调参与优化 | 第51-60页 |
| 4.4 实验结果 | 第60-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 全文总结 | 第66页 |
| 5.2 课题展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
