| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 国相关问题国内外研究历史和现状 | 第10-14页 |
| 1.2.1 深度神经网络研究现状及分析 | 第11-13页 |
| 1.2.2 迁移学习研究现状及分析 | 第13-14页 |
| 1.3 本文的主要贡献与创新 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 相关基础知识和理论介绍 | 第16-28页 |
| 2.1 卷积神经网络 | 第16-23页 |
| 2.1.1 神经网络的理论基础 | 第16-19页 |
| 2.1.2 卷积神经网络架构 | 第19-20页 |
| 2.1.3 卷积神经网络相关计算 | 第20-23页 |
| 2.2 迁移学习 | 第23-27页 |
| 2.2.1 基本概念 | 第23-24页 |
| 2.2.2 迁移学习分类 | 第24-25页 |
| 2.2.3 同构迁移学习 | 第25-27页 |
| 2.2.4 负迁移 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 卷积神经网络任务映射迁移学习研究 | 第28-51页 |
| 3.1 引言 | 第28-29页 |
| 3.2 任务映射迁移学习算法在卷积神经网络中适用性分析 | 第29页 |
| 3.3 特征提取 | 第29-35页 |
| 3.3.1 特征提取方法 | 第29-30页 |
| 3.3.2 特征提取架构介绍 | 第30-35页 |
| 3.4 任务映射算法 | 第35-43页 |
| 3.4.1 度量算法 | 第36-39页 |
| 3.4.2 最小匹配算法 | 第39-43页 |
| 3.5 任务映射算法实验与结果分析 | 第43-50页 |
| 3.5.1 数据集和评价指标 | 第43-45页 |
| 3.5.2 实验设置 | 第45-47页 |
| 3.5.3 结果分析 | 第47页 |
| 3.5.4 度量算法选择分析 | 第47-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于参数迁移的K选迁移学习算法研究 | 第51-62页 |
| 4.1 引言 | 第51-52页 |
| 4.2 基于参数迁移的K选迁移学习算法适用性分析 | 第52-53页 |
| 4.3 K选基准 | 第53-56页 |
| 4.3.1 基于统计特征度量算法 | 第53-54页 |
| 4.3.2 基于贡献度量算法 | 第54-56页 |
| 4.4 K选迁移学习算法 | 第56-57页 |
| 4.5 K选迁移学习算法实验与结果分析 | 第57-60页 |
| 4.5.1 数据集和评价指标及实验设置 | 第57-58页 |
| 4.5.2 结果分析 | 第58-59页 |
| 4.5.3 数据量与迁移效果关系分析 | 第59-60页 |
| 4.6 本章小结 | 第60-62页 |
| 第五章 小数据量迁移学习图像分类系统的实现 | 第62-70页 |
| 5.1 引言 | 第62页 |
| 5.2 小数据量迁移学习图像分类系统的设计 | 第62-65页 |
| 5.2.1 小数据量迁移学习图像分类系统整体的需求分析 | 第62-63页 |
| 5.2.2 小数据量迁移学习图像分类系统整体架构 | 第63-64页 |
| 5.2.3 小数据量迁移学习图像分类系统工作流程 | 第64-65页 |
| 5.3 量迁移学习图像分类系统实验与分析 | 第65-68页 |
| 5.3.1 数据集和评价指标及实验设置 | 第65-66页 |
| 5.3.2 结果分析 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 未来展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的成果 | 第77页 |