| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题的研究背景及意义 | 第13-14页 |
| 1.2 场景识别的发展与研究现状 | 第14-18页 |
| 1.2.1 场景的目标检测和定位 | 第14-15页 |
| 1.2.2 场景的语义分割与分类 | 第15-17页 |
| 1.2.3 场景图像数据库 | 第17-18页 |
| 1.3 论文主要内容和章节安排 | 第18-19页 |
| 第二章 图像识别的特征选择、特征提取与分类器 | 第19-27页 |
| 2.1 图像特征选择与特征提取 | 第19-21页 |
| 2.1.1 SIFT特征 | 第19页 |
| 2.1.2 HOG特征 | 第19-20页 |
| 2.1.3 GIST特征 | 第20页 |
| 2.1.4 BoW模型 | 第20-21页 |
| 2.2 图像识别分类器 | 第21-26页 |
| 2.2.1 SVM | 第21-25页 |
| 2.2.2 Softmax回归 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 卷积神经网络与反向传播算法 | 第27-41页 |
| 3.1 神经网络 | 第27-35页 |
| 3.1.1 前馈网络 | 第27-30页 |
| 3.1.2 误差反向传播算法(Back Propagation Algorithm) | 第30-35页 |
| 3.2 卷积神经网络(Convolutional neural networks,CNNs) | 第35-40页 |
| 3.2.1 卷积网络神经元 | 第35-36页 |
| 3.2.2 卷积神经网络的结构组成 | 第36-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于AlexNet网络模型的室内场景识别 | 第41-59页 |
| 4.1 CNNs模型设计 | 第41-46页 |
| 4.1.1 场景分类的数学表示 | 第41页 |
| 4.1.2 卷积神经网络模型框架 | 第41-44页 |
| 4.1.3 模型学习 | 第44-45页 |
| 4.1.4 深度信息表示 | 第45-46页 |
| 4.1.5 数据增广 | 第46页 |
| 4.2 在NYU Depth V2数据集上的试验 | 第46-58页 |
| 4.2.1 NYU Depth V2数据集介绍 | 第46-47页 |
| 4.2.2 数据集预处理 | 第47-48页 |
| 4.2.3 试验过程 | 第48页 |
| 4.2.4 评价方法 | 第48-49页 |
| 4.2.5 试验结果 | 第49-57页 |
| 4.2.6 试验结论 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 CNNs模型可视化及场景图像显著图分析 | 第59-73页 |
| 5.1 CNNs模型可视化 | 第59-62页 |
| 5.1.1 卷积层权参数可视化 | 第59-62页 |
| 5.2 室内场景图像的显著图分析 | 第62-72页 |
| 5.2.1 得分函数对输入图像的导数 | 第62-63页 |
| 5.2.2 显著图的计算方法 | 第63-64页 |
| 5.2.3 试验结果 | 第64-71页 |
| 5.2.4 试验结果分析 | 第71-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-80页 |