基于深度学习的文物图像内容理解
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究的背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.2.1 图像识别的研究现状 | 第15-16页 |
| 1.2.2 深度学习的研究现状 | 第16页 |
| 1.3 主要研究工作和创新点 | 第16-17页 |
| 1.3.1 主要研究工作 | 第16-17页 |
| 1.3.2 创新点 | 第17页 |
| 1.4 文章组织结构 | 第17-20页 |
| 第二章 相关理论 | 第20-42页 |
| 2.1 图像识别概述 | 第20-22页 |
| 2.1.1 模式识别的简介 | 第20-21页 |
| 2.1.2 图像识别的概念和过程 | 第21-22页 |
| 2.1.3 图像识别的难点和方法 | 第22页 |
| 2.1.4 图像的特征提取 | 第22页 |
| 2.2 深度学习概述 | 第22-30页 |
| 2.2.1 深度学习的概念和思想 | 第23-24页 |
| 2.2.2 深度学习的特点 | 第24-25页 |
| 2.2.3 深度学习的结构 | 第25-26页 |
| 2.2.4 深度学习的常用方法 | 第26-30页 |
| 2.3 卷积神经网络概述 | 第30-41页 |
| 2.3.1 卷积神经网络的特点 | 第31-32页 |
| 2.3.2 卷积神经网络识别原理 | 第32-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 基于卷积神经网络的图像识别方法 | 第42-58页 |
| 3.1 改进的卷积神经网络模型 | 第42-44页 |
| 3.2 模型的训练步骤 | 第44-45页 |
| 3.3 模型的训练方法 | 第45-54页 |
| 3.3.1 数据预处理 | 第45-47页 |
| 3.3.2 训练过程 | 第47-54页 |
| 3.4 图像识别流程 | 第54-55页 |
| 3.5 本章小结 | 第55-58页 |
| 第四章 文物图像识别系统 | 第58-70页 |
| 4.1 需求分析 | 第58-59页 |
| 4.1.1 功能需求 | 第58页 |
| 4.1.2 非功能需求 | 第58-59页 |
| 4.2 系统用例图 | 第59-60页 |
| 4.3 系统设计 | 第60-62页 |
| 4.4 系统实现 | 第62-69页 |
| 4.4.1 系统开发环境 | 第62页 |
| 4.4.2 系统开发过程 | 第62-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 实验与分析 | 第70-80页 |
| 5.1 数据来源 | 第70-71页 |
| 5.2 数据处理与加工 | 第71-72页 |
| 5.2.1 数据预处理 | 第71页 |
| 5.2.2 相关实验参数的设定 | 第71-72页 |
| 5.3 数据训练 | 第72-77页 |
| 5.4 系统验证 | 第77-78页 |
| 5.4.1 实验评价指标 | 第77-78页 |
| 5.4.2 深度学习算法验证及结果 | 第78页 |
| 5.5 系统应用 | 第78-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 6.1 全文总结 | 第80页 |
| 6.2 未来展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 研究成果及发表的学术论文 | 第88-90页 |
| 作者及导师介绍 | 第90-92页 |
| 北京化工大学硕士研究生学位论文答辩委员会决议书 | 第92-93页 |
