| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外发展现状及发展趋势 | 第9-12页 |
| 1.3 本文的主要工作及结构安排 | 第12-15页 |
| 1.3.1 本文主要工作 | 第12-13页 |
| 1.3.2 结构安排 | 第13-15页 |
| 第2章 神经网络及优化算法 | 第15-38页 |
| 2.1 人工神经网络介绍 | 第15-22页 |
| 2.1.1 人工神经网络模型结构 | 第16-17页 |
| 2.1.2 人工神经网络的影响因素 | 第17-20页 |
| 2.1.3 人工神经网络的类型 | 第20-22页 |
| 2.2 梯度下降算法 | 第22-24页 |
| 2.2.1 梯度下降算法的基本原理 | 第22-23页 |
| 2.2.2 梯度下降算法的类型 | 第23-24页 |
| 2.3 反向传播算法 | 第24-26页 |
| 2.4 深度学习 | 第26-28页 |
| 2.4.1 深度学习的基本思想 | 第26-28页 |
| 2.4.2 深度学习的训练过程 | 第28页 |
| 2.5 卷积神经网络 | 第28-37页 |
| 2.5.1 卷积神经网络的基本结构 | 第28-30页 |
| 2.5.2 卷积神经网络的优化方法 | 第30-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 基于卷积神经网络的立体图像质量评价模型 | 第38-45页 |
| 3.1 系统框架 | 第38-39页 |
| 3.2 图像预处理 | 第39-42页 |
| 3.2.1 图像切块 | 第39-40页 |
| 3.2.2 主成分分析 | 第40-42页 |
| 3.3 立体图像质量的评价网络 | 第42-44页 |
| 3.3.1 多通道卷积神经网络的原理及实现 | 第42-44页 |
| 3.3.2 多维度池化的卷积神经网络的原理及实现 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 实验与结果分析 | 第45-55页 |
| 4.1 实验素材的选择 | 第45-47页 |
| 4.1.1 天津大学立体数据库 | 第45-46页 |
| 4.1.2 LIVE立体数据库 | 第46-47页 |
| 4.2 实验方法 | 第47页 |
| 4.3 实验结果分析 | 第47-51页 |
| 4.3.1 网络结构对模型的影响 | 第47-48页 |
| 4.3.2 激活函数对模型的影响 | 第48-49页 |
| 4.3.3 一些优化方法对模型的影响 | 第49-51页 |
| 4.3.4 不同方法下的立体图像质量评价方法性能分析 | 第51页 |
| 4.4 LIVE立体数据库验证 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |