首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于Tensorflow的Android端本地图像分类的应用设计与实现

摘要第5-6页
ABSTRACT第6-7页
第1章 绪论第10-16页
    1.1 课题的研究背景、目的及意义第10页
    1.2 国内外研究现状第10-14页
        1.2.1 移动应用的发展现状第10-11页
        1.2.2 相册分类系统研究现状第11-13页
        1.2.3 人工智能以及图像识别技术的发展第13-14页
    1.3 课题研究的主要内容以及组织架构第14-16页
第2章 主要技术分析第16-31页
    2.1 Android开发相关技术第16-20页
        2.1.1 Android的系统架构第16-17页
        2.1.2 Android的图像缓存技术第17-18页
        2.1.3 Android的数据库技术第18-19页
        2.1.4 Android第三方库支持第19-20页
    2.2 软件的模块化技术第20-23页
        2.2.1 Android的模块化需求第20-21页
        2.2.2 MVP模式设计模式第21-23页
    2.3 Tensorflow训练框架第23-24页
        2.3.1 TensorFlow框架简介第23页
        2.3.2 Tensorflow框架环境配置第23-24页
    2.4 图像识别神经网络第24-30页
        2.4.1 卷积神经网络的基本原理第25-26页
        2.4.2 卷积神经网络的基本结构第26-27页
        2.4.3 卷积神经网络的发展第27-28页
        2.4.4 Inception模型的原理第28-30页
    2.5 本章小结第30-31页
第3章 相册分类系统的设计第31-45页
    3.1 相册软件系统需求分析第31-33页
        3.1.1 软件系统功能性需求第31-32页
        3.1.2 其他需求分析第32-33页
    3.2 系统的总体设计第33-34页
    3.3 相册软件系统的框架设计第34-37页
        3.3.1 单个功能模块的设计第34-35页
        3.3.2 模块间交互和调度第35-36页
        3.3.3 数据流向第36-37页
    3.4 相册软件系统功能设计第37-41页
        3.4.1 主模块功能设计第37-40页
        3.4.2 图像分类子模块的设计第40页
        3.4.3 照相子模块的设计第40-41页
    3.5 神经网络训练系统的设计第41-44页
        3.5.1 训练数据获取模块第41-43页
        3.5.2 神经网络迁移训练模块第43页
        3.5.3 神经网络移植模块第43-44页
    3.6 本章小结第44-45页
第4章 图像分类模型的训练第45-59页
    4.1 图像分类模型的优化第45-48页
        4.1.1 优化特征提取层第45-46页
        4.1.2 改进模型的性能测试第46-48页
    4.2 迁移训练的基本原理第48-49页
    4.3 图像预处理和数据收集第49-52页
    4.4 获取瓶颈层的输出并缓存第52页
    4.5 全连接层的定义第52-54页
    4.6 全连接层的训练第54-56页
    4.7 模型迁移第56-58页
        4.7.1 Android端运行Tensorflow框架第56页
        4.7.2 模型的精简优化第56-58页
    4.8 本章小结第58-59页
第5章 相册分类系统的实现第59-75页
    5.1 相册软件系统的框架实现第59-65页
        5.1.1 主模块的模块化实现第59-62页
        5.1.2 子模块的模块化实现第62-65页
    5.2 软件功能模块的实现第65-74页
        5.2.1 主模块的功能实现第65-70页
        5.2.2 图像识别模块的功能实现第70-72页
        5.2.3 照相模块的功能实现第72-74页
    5.3 本章小结第74-75页
第6章 系统性能测试第75-81页
    6.1 神经网络测试第75-77页
        6.1.1 神经网络训练实验设计第75-76页
        6.1.2 神经网络训练实验结果第76-77页
    6.2 软件系统测试第77-79页
        6.2.1 软件性能消耗第77-78页
        6.2.2 软件功能测试第78-79页
    6.3 本章小结第79-81页
第7章 结论与展望第81-83页
    7.1 总结第81-82页
    7.2 展望第82-83页
参考文献第83-85页
致谢第85-86页
攻读学位期间参加的科研项目和成果第86页

论文共86页,点击 下载论文
上一篇:基于深度学习的骨龄评估方法研究
下一篇:基于LoRa无线传感网络的研究与应用