基于图像对称性的神经网络结构优化
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 概述 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文的工作 | 第9-10页 |
| 1.4 论文结构 | 第10-11页 |
| 第2章 卷积神经网络 | 第11-25页 |
| 2.1 从神经网络到卷积神经网络 | 第11-12页 |
| 2.2 卷积神经网络的特点 | 第12页 |
| 2.3 卷积神经网络的基本层 | 第12-19页 |
| 2.3.1 卷积层 | 第12-14页 |
| 2.3.2 批归一化层 | 第14页 |
| 2.3.3 激活函数层 | 第14-16页 |
| 2.3.4 池化层 | 第16-18页 |
| 2.3.5 softmax层 | 第18-19页 |
| 2.4 卷积神经网络结构的发展 | 第19-22页 |
| 2.4.1 LeNet | 第19页 |
| 2.4.2 AlexNet | 第19-20页 |
| 2.4.3 Network in network | 第20页 |
| 2.4.4 VGG | 第20-21页 |
| 2.4.5 GoogleNet | 第21页 |
| 2.4.6 残差网络 | 第21-22页 |
| 2.5 正则化方法 | 第22-23页 |
| 2.6 数据增强方法 | 第23页 |
| 2.7 本章小结 | 第23-25页 |
| 第3章 相关算法概述 | 第25-31页 |
| 3.1 图像的对称性 | 第25-26页 |
| 3.2 对称性的应用 | 第26-29页 |
| 3.3 本章小结 | 第29-31页 |
| 第4章 基于对称性的神经网络结构优化算法 | 第31-43页 |
| 4.1 基于图像对称性的正则化方法 | 第31-33页 |
| 4.2 利用图像对称性优化网络结构 | 第33-36页 |
| 4.3 网络模型结构 | 第36-41页 |
| 4.3.1 NIN-like模型结构 | 第36-38页 |
| 4.3.2 VGG-like模型结构 | 第38-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 实验与分析 | 第43-51页 |
| 5.1 Cifar-10数据集 | 第43-44页 |
| 5.2 基于图像对称性的正则化方法 | 第44-46页 |
| 5.3 利用图像对称性优化网络 | 第46-49页 |
| 5.4 本章小结 | 第49-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-59页 |
| 致谢 | 第59页 |
