基于深度学习的场景图像分类算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 场景分类的背景及意义 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-15页 |
| 1.2.1 深度学习与卷积神经网络研究进展 | 第12-13页 |
| 1.2.2 场景分类研究进展 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文工作安排 | 第16页 |
| 1.5 本章小节 | 第16-17页 |
| 第二章 深度学习相关理论 | 第17-29页 |
| 2.1 分类问题描述 | 第17-18页 |
| 2.1.1 分类问题及评价指标 | 第17-18页 |
| 2.1.2 评估方法 | 第18页 |
| 2.2 深度学习技术 | 第18-27页 |
| 2.2.1 多层感知机 | 第18-19页 |
| 2.2.2 卷积神经网络 | 第19-24页 |
| 2.2.3 梯度下降和反向传播算法 | 第24-27页 |
| 2.2.4 深度学习优化 | 第27页 |
| 2.3 平台简介 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 卷积神经网络结构优化 | 第29-40页 |
| 3.1 主流卷积神经网络 | 第30-33页 |
| 3.1.1 Inception | 第30-31页 |
| 3.1.2 Resnet | 第31-32页 |
| 3.1.3 SqueezeNet | 第32页 |
| 3.1.4 MobileNet | 第32-33页 |
| 3.2 卷积神经网络结构改进 | 第33-37页 |
| 3.2.1 网络基础结构 | 第33-35页 |
| 3.2.2 网络详细设计思路 | 第35-37页 |
| 3.3 实验 | 第37-39页 |
| 3.3.1 数据集简介 | 第37-38页 |
| 3.3.2 数据预处理 | 第38页 |
| 3.3.3 实验环境 | 第38-39页 |
| 3.3.4 实验结果分析 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 卷积神经网络分类器优化 | 第40-48页 |
| 4.1 场景图像特点 | 第40页 |
| 4.2 基于Softmax分类器的卷积神经网络 | 第40-42页 |
| 4.3 卷积神经网络分类器改进 | 第42-44页 |
| 4.3.1 L-Softmax | 第42-44页 |
| 4.3.2 改进模型 | 第44页 |
| 4.4 实验 | 第44-47页 |
| 4.4.1 实验环境 | 第44-46页 |
| 4.4.2 实验结果分析 | 第46-47页 |
| 4.4.3 特征聚类可视化 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 基于多分辨率与多尺度结合的场景分类模型 | 第48-56页 |
| 5.1 场景图像与多尺度表达 | 第48-50页 |
| 5.1.1 场景图像多尺度特征 | 第48-49页 |
| 5.1.2 场景图像多尺度实验 | 第49-50页 |
| 5.2 多尺度与多分辨率 | 第50-55页 |
| 5.2.1 多分辨率网络 | 第50页 |
| 5.2.2 多尺度网络优化 | 第50-51页 |
| 5.2.3 多尺度、多分辨率模型 | 第51-52页 |
| 5.2.4 实验环境 | 第52-53页 |
| 5.2.5 实验结果分析 | 第53-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 不足及未来工作方向 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 作者攻读学位期间发表的学术论文目录 | 第63页 |
