基于深度学习图像识别的研究及应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外发展的现状 | 第12-16页 |
| 1.3 本文的主要研究内容 | 第16页 |
| 1.4 本论文的结构安排 | 第16-17页 |
| 第二章 深度学习理论基础 | 第17-29页 |
| 2.1 前馈神经网络 | 第17-25页 |
| 2.1.1 神经元 | 第17页 |
| 2.1.2 前馈神经网络 | 第17-19页 |
| 2.1.3 误差反向传播 | 第19-21页 |
| 2.1.4 梯度下降 | 第21-22页 |
| 2.1.5 激活函数 | 第22-25页 |
| 2.1.5.1 sigmoid函数 | 第23-24页 |
| 2.1.5.2 tanh函数 | 第24-25页 |
| 2.1.5.3 ReLU函数 | 第25页 |
| 2.2 卷积神经网络 | 第25-28页 |
| 2.2.1 卷积层 | 第25-26页 |
| 2.2.2 池化层 | 第26-27页 |
| 2.2.3 全连接层 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 残差网络 | 第29-49页 |
| 3.1 网络退化 | 第29-30页 |
| 3.2 残差学习 | 第30-31页 |
| 3.3 残差网络 | 第31-36页 |
| 3.3.1 批量规范化 | 第31-32页 |
| 3.3.2 恒等残差块 | 第32-34页 |
| 3.3.3 卷积残差块 | 第34-36页 |
| 3.4 网络的整体架构 | 第36-38页 |
| 3.5 残差网络的训练与结果分析 | 第38-47页 |
| 3.5.1 数据集 | 第38-39页 |
| 3.5.2 图片增广 | 第39页 |
| 3.5.3 网络训练 | 第39-47页 |
| 3.5.3.1 权重初始化 | 第39-43页 |
| 3.5.3.2 网络学习率 | 第43-46页 |
| 3.5.3.3 过拟合 | 第46-47页 |
| 3.5.4 模型测试结果 | 第47页 |
| 3.6 本章小结 | 第47-49页 |
| 第四章 改进的残差网络 | 第49-67页 |
| 4.1 基于残差块的改进 | 第49-53页 |
| 4.1.1 改进的恒等残差块 | 第50-52页 |
| 4.1.2 改进的卷积残差块 | 第52-53页 |
| 4.2 基于损失函数的改进 | 第53-55页 |
| 4.3 改进的残差网络整体架构 | 第55-56页 |
| 4.4 改进残差网络的训练与结果分析 | 第56-66页 |
| 4.4.1 改进的权重初始化方法 | 第57-60页 |
| 4.4.2 改进网络的训练 | 第60-61页 |
| 4.4.3 特征映射可视化分析 | 第61-65页 |
| 4.4.4 改进网络的测试结果 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 交通标志识别系统的设计与实现 | 第67-84页 |
| 5.1 系统概述 | 第67-68页 |
| 5.2 系统的详细设计与实现 | 第68-83页 |
| 5.2.1 数据集与图片处理 | 第68-71页 |
| 5.2.1.1 数据集 | 第68-69页 |
| 5.2.1.2 图片增强 | 第69-71页 |
| 5.2.2 网络训练与验证 | 第71页 |
| 5.2.3 PC端在线交通标志识别 | 第71-81页 |
| 5.2.3.1 新建Django项目 | 第72页 |
| 5.2.3.2 创建模型 | 第72-74页 |
| 5.2.3.3 Django后台管理 | 第74-76页 |
| 5.2.3.4 编写视图 | 第76-78页 |
| 5.2.3.5 使用残差模型进行预测 | 第78-79页 |
| 5.2.3.6 项目的部署 | 第79-81页 |
| 5.2.4 移动APP在线识别 | 第81-83页 |
| 5.3 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-85页 |
| 6.1 本文的主要贡献 | 第84页 |
| 6.2 下一步工作展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-88页 |
