基于深度学习的图像分类方法研究与应用

目录

声明

摘要

图目录

表目录

引言

1 绪论

1．1研究背景与意义

1．2国内外研究现状

1．2．1 图像分类算法研究现状

1．2．2基于深度学习的图像分类研究进展

1．3本文的结构安排

2深度学习模型

2．1人工神经网络

2．2卷积神经网络

2．2．1卷积层

2．2．2激活函数

2．2．3池化层

2．2．4全连接层

2．2．5 Softmax分类器

2．2．6卷积神经网络训练与测试过程

2．3胶囊网络

2．3．1胶囊网络概述

2．3．2动态路由算法

2．3．3胶囊网络的优势

2．4深度学习框架

2．5本章小结

3基于改进的多通道卷积神经网络模型的图像分类

3．1模型优化策略

3．1．1数据增强

3．1．2 Dropout技术

3．1．3 L2正则化方法

3．1．4批标准化

3．2改进的多通道卷积神经网络模型设计

3．2．1设计方案介绍

3．2．2模型参数设置

3．2．3三通道设计

3．2．4特征融合层

3．3实验结果的分析与讨论

3．3．1实验环境与数据集介绍

3．3．2实验设置

3．3．3实验结果与分析

3．4本章小结

4基于改进的胶囊网络模型的高光谱图像分类方法

4．1高光谱图像分类方法

4．2高光谱图像的分类流程

4．3胶囊网络模型设计

4．3．1设计方案介绍

4．3．2模型参数设置

4．4实验结果的分析与讨论

4．4．1 实验环境与数据集介绍

4．4．2评价指标

4．4．3实验设置

4．4．4实验结果与分析

4．4．5与其他分类方法对比

4．5本章小结

5卷积神经网络在中国绘画图像分类中的应用

5．1残差连接

5．2 Inception模块

5．3改进卷积神经网络的结构

5．3．1设计方案介绍

5．3．2模型参数设置

5．4实验结果的讨论与分析

5．4．1 实验环境与数据集介绍

5．4．2实验设置

5．4．3实验结果与分析

5．5本章小结

6结论与展望

6．1本文主要工作

6．2未来工作

参考文献

致谢

作者简介及读研期间主要科研成果