| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第13-21页 |
| 1.1 课题来源 | 第13页 |
| 1.2 研究背景和研究意义 | 第13-15页 |
| 1.2.1 基于迁移卷积神经网络的图像分类背景和研究意义 | 第13-14页 |
| 1.2.2 人脸表情分类的背景和研究意义 | 第14-15页 |
| 1.2.3 SAR图像目标分类的背景和研究意义 | 第15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.3.1 基于迁移卷积神经网络的图像分类国内外研究现状 | 第15-16页 |
| 1.3.2 人脸表情分类国内外研究现状 | 第16-17页 |
| 1.3.3 SAR图像目标分类国内外研究现状 | 第17-18页 |
| 1.4 本文的主要内容和安排 | 第18-21页 |
| 2 卷积神经网络和迁移学习理论 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 卷积神经网络理论 | 第21-23页 |
| 2.3 迁移学习理论 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于迁移卷积神经网络的人脸表情分类研究 | 第27-39页 |
| 3.1 引言 | 第27-28页 |
| 3.2 迁移学习模型 | 第28页 |
| 3.3 卷积神经网络模型 | 第28-29页 |
| 3.4 Softmax-MSE损失函数 | 第29-31页 |
| 3.5 双激活层 | 第31-32页 |
| 3.6 实验结果与说明 | 第32-38页 |
| 3.6.1 数据库预处理及网络参数设置 | 第32-33页 |
| 3.6.2 实验结果与分析 | 第33-38页 |
| 3.7 .本章小结 | 第38-39页 |
| 4 基于主动迁移学习的人脸表情分类研究 | 第39-51页 |
| 4.1 引言 | 第39-40页 |
| 4.2 二阶段迁移学习 | 第40-41页 |
| 4.3 含噪声标签环境下的主动迁移学习过程 | 第41-45页 |
| 4.3.1 主动学习理论简介 | 第41-42页 |
| 4.3.2 含噪标签人脸表情图像的选择 | 第42-43页 |
| 4.3.3 噪声图像块的处理 | 第43-44页 |
| 4.3.4 主动迁移学习过程 | 第44-45页 |
| 4.4 实验结果与说明 | 第45-50页 |
| 4.4.1 数据库说明与图像预处理 | 第45-46页 |
| 4.4.2 二阶段迁移学习实验结果与分析 | 第46-48页 |
| 4.4.3 网络人脸表情数据上的实验结果与分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于卷积神经网络的SAR图像目标分类研究 | 第51-67页 |
| 5.1 引言 | 第51-52页 |
| 5.2 CNN层介绍 | 第52-56页 |
| 5.2.1 卷积层 | 第52-54页 |
| 5.2.2 池化层 | 第54页 |
| 5.2.3 全连接层 | 第54-55页 |
| 5.2.4 ReLU激活函数 | 第55-56页 |
| 5.3 Inception-SAR网络结构 | 第56-58页 |
| 5.3.1 Inception块介绍 | 第56-57页 |
| 5.3.2 Inception-SAR模型 | 第57-58页 |
| 5.4 数据库介绍与数据增强处理 | 第58-61页 |
| 5.4.1 MSTAR数据库介绍 | 第58-59页 |
| 5.4.2 SAR图像预处理 | 第59-61页 |
| 5.5 实验结果与分析 | 第61-65页 |
| 5.5.1 不同卷积核大小对实验结果的影响 | 第61页 |
| 5.5.2 不同数量卷积层对实验结果的影响 | 第61-62页 |
| 5.5.3 ReLU激活函数对实验结果的影响 | 第62页 |
| 5.5.4 最优模型结果及其与其他方法的对比 | 第62-65页 |
| 5.6 本章小结 | 第65-67页 |
| 6 总结与展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 作者简介 | 第74页 |