基于卷积神经网络的图像处理与识别算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景和选题意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文的主要工作和各章结构安排 | 第9-11页 |
| 第二章 卷积网络结构模型 | 第11-23页 |
| 2.1 多层感知器 | 第11-12页 |
| 2.2 反向传播算法 | 第12-13页 |
| 2.3 卷积神经网络 | 第13-15页 |
| 2.3.1 卷积层 | 第14-15页 |
| 2.3.2 池化层 | 第15页 |
| 2.4 优化CNN的方法 | 第15-21页 |
| 2.4.1 dropout正则化方法 | 第15-17页 |
| 2.4.2 DropConnect方法 | 第17-18页 |
| 2.4.3 Maxout网络方法 | 第18-19页 |
| 2.4.4 随机池正则化方法 | 第19-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第三章 改进的dropout正则化卷积神经网络 | 第23-31页 |
| 3.1 传统dropout方法的优缺点 | 第23页 |
| 3.2 改进的dropout方法 | 第23-25页 |
| 3.2.1 训练阶段的最大值池化dropout | 第23-24页 |
| 3.2.2 测试阶段结合概率的模型平均 | 第24-25页 |
| 3.3 CNN模型设置 | 第25-27页 |
| 3.4 实验与结果分析 | 第27-30页 |
| 3.4.1 MNIST数据集实验 | 第27-29页 |
| 3.4.1.1 概率加权的模型平均 | 第27-28页 |
| 3.4.1.2 保留概率p的取值对CNNs影响 | 第28-29页 |
| 3.4.2 CMU-PIE数据集实验 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于模拟退火算法改进的CNN结构模型 | 第31-39页 |
| 4.1 模型间的结合技术 | 第31页 |
| 4.2 模拟退火算法 | 第31-32页 |
| 4.3 结合SA的CNN模型 | 第32-34页 |
| 4.4 实验与结果分析 | 第34-38页 |
| 4.4.1 实验设置 | 第34页 |
| 4.4.2 实验 | 第34-38页 |
| 4.4.2.1 MNIST数据集 | 第34-37页 |
| 4.4.2.2 CMU-PIE数据集 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 一种自适应学习率的新型CNN结构 | 第39-45页 |
| 5.1 相关背景知识 | 第39页 |
| 5.2 自适应CNN模型 | 第39-40页 |
| 5.3 实验及结果分析 | 第40-43页 |
| 5.3.1 实验设置 | 第40页 |
| 5.3.2 数据库 | 第40-43页 |
| 5.3.2.1 MNIST数据库 | 第40-42页 |
| 5.3.2.2 CMU-PIE数据库 | 第42-43页 |
| 5.4 本章小结 | 第43-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1 工作总结 | 第45-46页 |
| 6.2 展望 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 附录： 作者在攻读硕士学位期间发表的论文 | 第52页 |
