基于卷积神经网络的宽度学习系统图像分类研究

1 绪 论

1.1 引言

1.2 课题的背景及研究意义

1.3 国内外研究现状

1.3.1 Yale人脸识别、MNIST、Cats or Dogs数据集概述

1.3.2 深度学习图像分类研究现状

1.3.3 宽度学习图像分类研究现状

1.4 本文的主要内容及论文组织

2 卷积神经网络与图像分类

2.1 引言

2.2 反向传播算法

2.3 卷积神经网络的架构

2.4.1 卷积运算

2.4.2 下采样

2.5.1 图像预处理

2.5.2 图像特征提取

2.6 TensorFlow 简介

2.6.1 TensorFlow的优点

2.6.2 TensorFlow的基本数据结构

2.6.3 TensorFlow的网络配置

2.7 本章小结

3 宽度学习系统与图像分类

3.1 引言

3.2.1 随机神经网络

3.2.2 稀疏自动编码器

3.2.3 随机向量函数链接网络

3.2.4 宽度学习系统模型

3.3 宽度学习系统求解方法

3.4 宽度学习系统的增量学习算法

3.5 宽度学习系统与其它神经网络

① 宽度学习系统与单隐藏神经网络

② 宽度学习系统与超限学习机

③ 宽度学习系统与支持向量机

3.6 宽度学习系统的优点

① 较强的拟合及泛化能力

② 较少的训练时间

③ 紧凑的网络结构

3.7 本章小结

4 基于卷积神经网络的宽度学习系统

4.1 引言

4.2.1 图像标准化

4.2.2 图像归一化

4.2.3 Adam算法

4.3 基于卷积神经网络的宽度学习系统的设计

4.3.1 基于卷积神经网络的宽度学习系统的模型设计

4.3.2 基于卷积神经网络的宽度学习系统的改进

4.4 实验与结果分析

4.4.1 实验环境与参数设置

4.4.2 结果分析

4.5 本章小结

5 轻量化网络结构

5.1 引言

5.2 轻量化网络结构关键技术

5.2.1 SqueezeNet

5.2.2 SVD算法

5.3 轻量化网络结构设计

5.4 实验结果与分析

5.5 本章小结

6 总结与展望

6.1 工作总结

6.2 研究展望

参考文献

附录

A. 作者在攻读学位期间发表的论文目录

B. 作者在攻读学位期间参加的科研项目

C. 学位论文数据集

致谢