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
重庆大学;