| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状与挑战 | 第10-15页 |
| 1.3 本文的主要研究内容 | 第15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 相关技术 | 第17-27页 |
| 2.1 常见卷积神经网络分类模型 | 第17-22页 |
| 2.1.1 AlexNet | 第17-19页 |
| 2.1.2 ResidualNetwork | 第19-21页 |
| 2.1.3 SqueezeNet | 第21-22页 |
| 2.2 轻量级网络设计 | 第22-23页 |
| 2.3 卷积神经网络模型压缩 | 第23-26页 |
| 2.3.1 模型压缩背景 | 第23-24页 |
| 2.3.2 模型压缩算法介绍 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 面向移动端的轻量级卷积神经网络分类算法 | 第27-42页 |
| 3.1 卷积神经网络模型计算复杂度分析 | 第27-29页 |
| 3.2 SHUFFLE单元 | 第29-32页 |
| 3.2.1 MobileNet介绍 | 第29-30页 |
| 3.2.2 Shuffle单元 | 第30-32页 |
| 3.3 面向移动端的轻量级卷积神经网络分类算法 | 第32-40页 |
| 3.3.1 深度可分离卷积 | 第33-34页 |
| 3.3.2 深度可分离卷积计算复杂度分析 | 第34-35页 |
| 3.3.3 批量归一化 | 第35-36页 |
| 3.3.4 EENet网络单元 | 第36-38页 |
| 3.3.5 EENet网络架构 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 自适应迭代式动态模型量化方法 | 第42-49页 |
| 4.1 卷积神经网络参数分析 | 第42-43页 |
| 4.2 卷积神经网络模型量化算法 | 第43-44页 |
| 4.3 自适应迭代式动态模型量化算法 | 第44-48页 |
| 4.3.1 量化权值编码 | 第44-45页 |
| 4.3.2 自适应迭代式动态模型量化算法 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 实验设计与结果分析 | 第49-65页 |
| 5.1 评估数据集 | 第49-51页 |
| 5.1.1 ImageNet数据集 | 第49页 |
| 5.1.2 Food101数据集 | 第49-50页 |
| 5.1.3 Place365数据集 | 第50-51页 |
| 5.2 实验框架 | 第51-52页 |
| 5.3 EENET实验与结果分析 | 第52-58页 |
| 5.3.1 EENet实验设置 | 第52-53页 |
| 5.3.2 EENet分组实验 | 第53-55页 |
| 5.3.3 EENet与其它模型比较 | 第55-57页 |
| 5.3.4 EENetplace365结果可视化 | 第57-58页 |
| 5.4 自适应迭代式动态模型量化算法实验与结果分析 | 第58-64页 |
| 5.4.1 自适应迭代式动态模型量化算法实验设置 | 第58-60页 |
| 5.4.2 EENet模型量化结果 | 第60-61页 |
| 5.4.3 自适应迭代式模型量化算法与其它量化算法比较 | 第61-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |